Neues Framework CACM steigert Erfolgsrate bei KI-gestützter Wirkstoffsuche um 36 %

Große Sprachmodelle ermöglichen zunehmend autonome Wirkstoffsuch-Agenten, doch der Erfolg hängt nicht von einzelnen Schritten ab, sondern davon, ob die gesamte Ergebnismenge gleichzeitig die Vorgaben wie Größe, Vielfalt, Bindungsqualität und Entwicklungsfähigkeit erfüllt. Dieses Set‑Level‑Problem führt zu unklaren Fehlerlokalisierungen und verrauschten Zuständen der Agenten.

Das neue Framework Constraint‑Aware Corrective Memory (CACM) löst dieses Problem, indem es eine präzise Diagnose auf Set‑Ebene und einen kompakten Speicher‑Write‑Back‑Mechanismus kombiniert. Durch Protokoll‑Audit und einen „grounded diagnostician“ werden multimodale Beweise – von Aufgabenanforderungen über Pocket‑Kontext bis hin zu Kandidatensätzen – analysiert, um Verstöße zu lokalisieren, korrigierende Hinweise zu generieren und die nächste Aktion gezielt zu steuern.

CACM strukturiert den Speicher in statische, dynamische und korrigierende Kanäle, komprimiert sie vor dem Write‑Back und bewahrt so nur die entscheidungsrelevanten Fehler. In Experimenten konnte die Erfolgsrate auf Ziel‑Ebene um 36,4 % gegenüber dem aktuellen Stand der Technik gesteigert werden.