[논문리뷰] Mozi: Governed Autonomy for Drug Discovery LLM Agents

링크: 논문 PDF로 바로 열기

저자: He Caot, Siyu Liu, Fan Zhang, Zijing Liu, Hao Li, Bin Feng, Shengyuan Bai, Leqing Chen, Kai Xie, Yu Li

핵심 연구 목표

약물 발견과 같은 고위험 과학 도메인에서 제한 없는 LLM 에이전트 가 겪는 도구 사용 환각, 재현 불가능성, 그리고 장기적 신뢰성 부족 문제를 해결하고자 합니다. 유연한 LLM 추론 능력과 엄격한 계산 생물학 요구 사항을 결합하여, 거버넌스 기반 자율성 을 갖춘 에이전트 프레임워크인 Mozi 를 제안하는 것이 목표입니다.

핵심 방법론

Mozi 는 듀얼 레이어 아키텍처 를 채택합니다. Layer A (Control Plane) 는 역할 기반 도구 격리, 제약된 행동 공간, 및 리플렉션 기반 재계획을 강제하는 계층적 감독-작업자 시스템으로 구성됩니다. Layer B (Workflow Plane) 는 타겟 식별부터 리드 최적화까지의 표준 약물 발견 단계를 상태 저장형 구성 가능한 스킬 그래프(DAGs) 로 구현하고, 엄격한 데이터 계약 및 Human-in-the-Loop (HITL) 체크포인트 를 통합하여 과학적 유효성을 보장합니다.

주요 결과

PharmaBench 벤치마크 에서 기존 기준선 대비 우수한 오케스트레이션 정확도를 입증했습니다. 예를 들어, Mozi (Qwen3-235B) 는 회귀 작업에서 1.169 SMAPE 를 달성하여 기준선(1.599)보다 뛰어났으며, HLE 약물 발견 태스크에서 Mozi (Deepseek-V3.2) 는 21.42%의 정확도 로 Gemini-2.5-Pro(10.71%)를 능가했습니다. 또한, 크론병, 파킨슨병, 패혈증에 대한 종단 간 사례 연구를 통해 대규모 화학 공간 탐색, 엄격한 독성 필터 적용, 그리고 임상적으로 경쟁력 있는 in silico 후보 물질(예: 크론병 -8.8 kcal/mol, 파킨슨병 -8.924 kcal/mol, 패혈증 -8.4 kcal/mol의 결합 점수) 생성 능력을 성공적으로 시연했습니다.

AI 실무자를 위한 시사점

Mozi 는 LLM 에이전트의 신뢰성과 안전성 을 획기적으로 향상시키는 아키텍처를 제시하여, 복잡하고 규제가 엄격한 과학 분야에서 AI 기반 자동화 시스템 개발 의 새로운 가능성을 열었습니다. 듀얼 레이어 설계, 스킬 그래프, 그리고 HITL 통합 은 장기적인 과학 워크플로우에서 오류 전파를 효과적으로 방지 하고, 자율성과 인간 전문가의 검증을 동시에 달성하는 실용적인 접근법을 제공합니다. 이는 AI 기반 약물 발견 시스템 의 실제 배포를 가속화하는 중요한 설계 원칙과 구현 전략을 제공합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.