标题： Agents on a Tree: Pathwise Coordination for Multi-Objective Molecular Optimization
摘要： 多目标分子优化需要在相互冲突的目标下搜索广阔的化学空间，而早期设计决策会强烈约束后续结果。现有方法通常依赖单一策略或固定标量化，这限制了它们表示多样化权衡以及探索多条有前景设计轨迹的能力。我们提出ATOM，一个将分子优化形式化为树状结构搜索的多智能体框架。每个节点对应一个原子操作，并托管一个专门针对特定目标或决策上下文的智能体。智能体沿着树的不同路径进行协调，而非强制执行全局共识，从而使该方法能够维护并比较多条可选的分子演化轨迹。一个记录过去优化行为的全局记忆进一步支持跨目标的平衡探索与利用。这种树状结构交互使得能够对分子设计中固有的长程依赖关系进行推理。在涉及活性、可合成性以及ADMET相关属性的具有挑战性的多目标基准测试上的实验表明，ATOM在帕累托覆盖面和超体积指标上 consistently 优于强基线方法。这些结果证明了路径式多智能体协调在分子优化中的有效性。代码可在以下网址获取：this https URL 。