Новый WMLLM: самообучающийся агент для оптимизации молекул
В открытом архиве препринтов arXiv опубликована статья, посвященная фреймворку WMLLM. Разработка предназначена для решения сложных задач оптимизации черного ящика, в которых пространство поиска велико, слабо структурировано и требует дорогостоящих проверок.
Авторы отмечают, что классические методы генерации кандидатов и стратегия проб и ошибок часто страдают от низкой эффективности выборки. Чтобы сократить число затратных вычислений, они предлагают использовать мировую модель, которая помогает выявлять перспективные направления до фактического тестирования вариантов.
Ключевая особенность WMLLM — применение большой языковой модели для прогнозирования вероятной успешности решений на основе скрытых знаний. Агент сначала предсказывает направление поиска, а затем создает новых кандидатов. Такой принцип авторы называют predict-then-act: сначала предсказание, потом действие.
В процессе работы фреймворк дополнительно совершенствует собственную стратегию. Архитектура использует многоходовое уточнение, поиск на основе популяции и обучение с подкреплением. Это позволяет обновлять встроенную мировую модель и алгоритм оптимизации по мере накопления опыта.
Практическую ценность разработки подтвердили эксперименты, в том числе на бенчмарке многокритериальной оптимизации молекул. По словам исследователей, WMLLM заметно улучшает эффективность выборки и качество финального решения.
Согласно аннотации, при ограниченном бюджете вычислений WMLLM достиг современных показателей и превзошел существующие подходы в рамках тестовой задачи. Это может быть полезно при поиске новых молекулярных структур в фармацевтике, химии и материаловедении.
Полный текст работы доступен в архиве arXiv под номером 2609.01608. Авторы описывают WMLLM как самоэволюционирующийся оптимизационный агент, который адаптируется к конкретной задаче без необходимости переобучения для каждого нового случая.
