SEISMO：利用轨迹感知的LLM智能体提升分子优化的样本效率

分子结构优化以实现特定性质是化学科学，尤其是药物研发中的关键瓶颈。由于分子性质评估常依赖昂贵且受限的实验或模拟（即“oracle”），高效利用样本至关重要。本文提出SEISMO，一种在推理时严格在线运行的LLM智能体，每次调用oracle后即时更新，无需基于种群或批量学习。SEISMO将完整优化轨迹（包括自然语言任务描述、标量评分及可选的结构化解释性反馈）作为条件生成新分子提案。在包含23项任务的实用分子优化基准上，SEISMO的优化曲线下面积比现有方法高2–3倍，常在50次oracle调用内接近任务最优得分。额外药化任务表明，引入解释性反馈可进一步提升效率，凸显融合领域知识与结构化信息对样本高效优化的重要性。