摘要
多步逆合成规划旨在通过一系列可行反应将目标分子分解为可商业获取的构建块。由于组合搜索空间庞大，即使是专家化学家也面临挑战。传统方法将树搜索与离线训练的价值网络相结合，单独评分候选者，而未考虑完整的多步路径。最近的研究利用大型语言模型（LLMs）进行该任务，但依赖简单接口，限制了对完整搜索空间的探索。我们引入了RetroAgent，这是一种通过结构化记忆连接符号搜索和神经推理的LLM代理。通过记忆和化学工具，代理能够观察完整的搜索状态，包括已探索的路径、可用的替代方案以及中间体的属性，从而做出基于全球进展和领域知识的明智决策。在分布内和分布外基准测试上的实验表明，RetroAgent展现出强大的性能和良好的泛化能力。
博主点评： RetroAgent的设计巧妙地结合了LLM的强大语言处理能力和结构化记忆的优势，使得逆合成规划这一复杂任务变得更加高效。通过增强的搜索状态观察能力，RetroAgent能够在化学领域展现出超越传统方法的表现，具有广泛的应用前景。其在实验中的强大表现也为未来的研究提供了重要的方向。