言語ベース薬剤発見エージェントのための制約を考慮した是正的メモリ

要旨: 大規模言語モデルにより、自律的な創薬探索エージェントがますます現実的になってきていますが、この設定における信頼できる成功は、単一の行動や単一の分子によって決まるわけではありません。最終的に返される集合が、集合サイズ、多様性、結合品質、開発可能性といったプロトコルレベルの要件を、集合として共同で満たすかどうかによって決まります。これにより、根本的な制御問題が生じます。すなわち、エージェントはステップごとに計画を立てますが、タスクの妥当性は候補集合全体のレベルで判定されます。既存の言語ベースの創薬探索システムは、そのため長い生の履歴に依存し、また自己内省の指定が不十分であることが多いため、失敗箇所の特定が不正確になり、さらに、プランナーに向けられたエージェント状態はますますノイジーになります。本稿では、CACM（Constraint-Aware Corrective Memory）を提案します。これは、集合レベルでの精密な診断と、簡潔なメモリ書き戻し（write-back）機構を中心に据えた、言語ベースの創薬探索フレームワークです。CACMは、プロトコル監査と、根拠に基づく診断者（diagnostician）を導入します。これらは、タスク要件、ポケット文脈（pocket context）、候補集合のエビデンスにまたがるマルチモーダルな証拠を共同で分析し、プロトコル違反を局所化（localize）し、実行可能な是正のヒントを生成し、次の行動が最も関連する修正に偏るようにします。計画コンテキストをコンパクトに保つため、CACMはメモリを静的・動的・矯正（corrective）のチャネルに整理し、書き戻し前にそれらを圧縮します。これにより、永続的なタスク情報は保持しつつ、意思決定にとって最も重要な失敗のみを露出します。我々の実験結果は、CACMが最先端のベースラインに比べて、ターゲットレベルの成功率を36.4%向上させることを示しています。その結果は、信頼できる言語ベースの創薬探索が、より強力な分子ツールだけから恩恵を受けるのではなく、より精密な診断と、より経済的なエージェント状態からも恩恵を受けることを示しています。