MolMem: Speicherbasierte Agentenoptimierung steigert Molekülentwicklung um 90 %

In der Wirkstoffforschung steht die molekulare Optimierung im Fokus, um Leitverbindungen gezielt zu verbessern. Dabei sind die Kosten für einzelne Orakel‑Bewertungen hoch, sodass die Effizienz der Lernmethoden entscheidend ist. Das neue Verfahren MolMem (Molecular optimization with Memory) löst dieses Problem, indem es ein zweistufiges Gedächtnissystem in ein agentisches Reinforcement‑Learning‑Framework integriert.

MolMem nutzt zunächst eine Static Exemplar Memory, die bei einem kalten Start relevante Beispiele aus früheren Optimierungen abruft. Anschließend wird ein Evolving Skill Memory aufgebaut, das erfolgreiche Trajektorien in wiederverwendbare Strategien überführt. Durch diese Kombination kann das System frühere Erkenntnisse als Grundlage für neue Entscheidungen nutzen und so die Lernkurve deutlich beschleunigen.

Die Trainingsphase erfolgt mit dichten, schrittweisen Belohnungen. Jeder Rollout wird nicht nur als einzelne Bewertung betrachtet, sondern als Quelle langfristigen Wissens, das zukünftige Optimierungen unterstützt. Dadurch werden die teuren Orakel‑Aufrufe effizienter eingesetzt.

Experimentelle Ergebnisse zeigen, dass MolMem bei Ein‑Property‑Aufgaben eine Erfolgsrate von 90 % erreicht – das ist 1,5‑mal besser als die bisher beste Basislinie. Bei Multi‑Property‑Aufgaben liegt die Erfolgsrate bei 52 %, und das alles bei lediglich 500 Orakel‑Aufrufen. Diese Zahlen verdeutlichen die hohe Sample‑Effizienz des Ansatzes.

Der komplette Code ist öffentlich zugänglich unter https://github.com/REAL-Lab-NU/MolMem.