CAi Copilot: 분자 설계 과정에서 의도 기반 에이전트 워크플로우를 통해 운영 부담 감소

CAi Copilot: Reducing Operational Workload in Molecular Design through Intent-Driven Agentic Workflows

초기 단계의 분자 설계는 단순히 분자를 생성하는 작업이 아닌 반복적인 프로세스입니다. 연구자들은 광범위한 목표를 설계 전략으로 변환하고, 후보 물질을 개선하며, 다양한 특성을 평가하고, 합성 및 실험 전에 증거를 수집합니다. 인공지능 방법은 분자를 생성하고, 여러 목표를 최적화하며, 특성을 예측하고, 화합물을 도킹하고, 합성을 고려할 수 있습니다. 그러나 이러한 기능들은 전문적인 도구에 분산되어 있습니다. 전문가들은 여전히 각 단계를 조정해야 하며, 중간 결과를 판단하고, 증거를 통합해야 합니다. 따라서 핵심 과제는 연구 의도를 과학적 도구를 기반으로 하는 적응적이고 추적 가능한 실행 흐름으로 변환하는 것입니다. 우리는 이 문제를 '의도-증거' 분자 설계 워크플로우 실행 문제로 정의하고, 전문가 중심 에이전트인 CAi Copilot을 세 가지 연결된 계층으로 구성하여 제시합니다. 연구 인터페이스 계층은 의도를 실행 가능한 계획으로 변환합니다. 에이전트 추론 계층은 중간 결과를 사용하여 각 실행을 안내합니다. 실행 기반은 분자 도구, 메트릭, 재사용 가능한 유틸리티 및 백엔드 서비스를 제공합니다. 45개의 작업에서 CAi는 가장 뛰어난 전반적인 성능을 보였으며, 결과 점수는 84.59점으로, 다음으로 높은 결과를 18.07점 앞섰습니다. 추가적인 벤치마크 테스트를 통해 CAi가 분자 생성, 스크리닝 및 다중 기준 평가를 어떻게 조율하는지 확인하고, 장기 실행 시의 한계를 파악했습니다. 이러한 결과는 CAi가 광범위한 분자 설계 의도를 투명하고 추적 가능한 워크플로우로 변환하여 중간 결정과 후보 물질 수준의 증거를 연결해 준다는 것을 보여줍니다.

Early-stage molecular design is an iterative process, not just a task of generating molecules. Researchers turn broad goals into design strategies, refine candidates, assess many properties, and gather evidence before synthesis and tests. AI methods can generate molecules, optimize several goals, predict properties, dock compounds, and account for synthesis. Yet these functions are spread across specialized tools. Experts must still coordinate each step, judge interim results, and integrate evidence. The central challenge is thus to turn research intent into adaptive, traceable runs grounded in scientific tools. We cast this challenge as intent-to-evidence molecular design workflow execution and present CAi Copilot, an expert-oriented agent with three linked layers. The Research Interface Layer turns intent into an executable plan. The Agent Reasoning Layer uses interim results to guide each run. The Execution Substrate supplies molecular tools, metrics, reusable utilities, and backend services. Across 45 tasks, CAi achieves the strongest overall performance, with an outcome score of 84.59, exceeding the next-best result by 18.07 points. Additional benchmarks test how CAi coordinates generation, screening, and multi-criteria evaluation, while exposing limits in long-horizon execution. These results show that CAi turns broad molecular-design intent into transparent, traceable workflows that connect interim decisions to candidate-level evidence.