RetroAgent: LLM을 활용하여 구조화된 메모리를 검색하며, 에이전트 기반의 역합성 계획 수립

RetroAgent: Harnessing LLMs to Search Over Structured Memory for Agentic Retrosynthesis Planning

다단계 역합성 계획은 목표 분자를 상업적으로 이용 가능한 빌딩 블록으로 분해하기 위해 일련의 실현 가능한 반응을 사용하는 과정입니다. 방대한 조합 탐색 공간 때문에 이 작업은 숙련된 화학자에게도 어려운 과제입니다. 기존 방법은 트리 검색과 함께 오프라인으로 훈련된 값 네트워크를 결합하여 후보 물질을 개별적으로 평가하지만, 전체 다단계 경로에 대한 추론은 수행하지 않습니다. 최근 연구에서는 이러한 작업을 위해 대규모 언어 모델(LLM)을 활용하고 있지만, 탐색 공간의 전체 범위를 제한하는 단순한 인터페이스에 의존합니다. 본 논문에서는 구조화된 메모리를 사용하는 LLM 에이전트인 RetroAgent를 소개합니다. 이 에이전트는 메모리와 화학 도구를 통해 전체 탐색 상태(탐색된 경로, 사용 가능한 대안 및 중간체의 특성 포함)를 관찰하여 전반적인 진행 상황과 전문 지식을 기반으로 한 정보에 입각한 의사 결정을 내릴 수 있습니다. 동일 분포 및 이질 분포 벤치마크에서의 실험 결과는 RetroAgent가 강력한 성능과 일반화 능력을 보여준다는 것을 입증합니다.

Multi-step retrosynthesis planning seeks to decompose a target molecule into commercially available building blocks through a sequence of feasible reactions. The vast combinatorial search space makes this task challenging even for expert chemists. Traditional methods combine tree search with offline-trained value networks that score candidates in isolation, without reasoning about complete multi-step routes. Recent work leverages Large Language Models (LLMs) for this task, but relies on simple interfaces that limit exploration of the full search space. We introduce RetroAgent, an LLM agent that bridges symbolic search and neural reasoning through a harness with structured memory. Through memory and chemistry tools, the agent observes the full search state, including explored routes, available alternatives, and properties of intermediates, enabling informed decisions grounded in both global progress and domain knowledge. Experiments on in-distribution and out-of-distribution benchmarks demonstrate that RetroAgent delivers strong performance and generalization.