Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 다중 목표 분자 최적화 과정에서 발생하는 반복적인 피드백을 활용하기 위해 Multi-turn Feedback Guided (MFG) 프레임워크를 제안합니다. MFG는 LLM이 이전 턴의 피드백을 사용하여 점진적으로 분자를 최적화하도록 강화학습(RL)으로 훈련하며, 속성 개선과 원본 유사성을 모두 고려하는 것이 특징입니다. 이를 통해 기존 모델 대비 높은 성능 향상을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기다중 목표(Multi-objective) 분자 최적화는 주어진 분자를 여러 속성을 동시에 개선하면서도 전반적인 구조를 유지하도록 수정하는 약물 발견에서 중요한 과정입니다. 이 과정은 종종 계산적 또는 실험적 피드백에 의해 안내되는 반복적인 수정을 필요로 합니다. 최근 대규모 언어 모델(LLM) 기반 방법들이 이러한 반복적 접근 방식을 탐색하기 시작했지만, 이 방법들은 그러한 피드백을 활용하도록 명시적으로 훈련되지 않았으며, 기존 접근 방식은 주로 단일 턴 분자 최적화에 초점을 맞추고 있습니다. 이러한 격차를 해소하기 위해, 우리는 Multi-turn Feedback Guided (MFG) 분자 최적화를 소개합니다. 이는 LLM이 이전 턴의 피드백을 사용하여 분자를 점진적으로 최적화하도록 훈련하는 강화학습(RL) 프레임워크입니다. MFG는 속성 개선과 원본 분자 유사성을 모두 포착하는 피드백 벡터와, 턴 전반에 걸친 점진적인 개선을 촉진하는 피드백 정렬 보상 함수를 도입합니다. 우리는 최첨단 다중 목표 분자 최적화 LLM 모델인 $ ext{GeLLM}^{3} ext{O}$에 MFG를 적용하고, 열 가지 다중 목표 분자 최적화 과제에서 $ ext{GeLLM}^{3} ext{O-MFG}$를 평가했습니다. 그 결과는 $ ext{GeLLM}^{3} ext{O-MFG}$가 가장 높은 평균 유사성 제약 성공률($81.50%$)을 달성하여, 기본 모델인 $ ext{GeLLM}^{3} ext{O}$($70.81%$)를 능가함을 보여줍니다.