Mozi ile İlaç Keşfinde Güvenli ve Yönetilen Otonom LLM Ajanları
Mozi ile İlaç Keşfinde Güvenli ve Yönetilen Otonom LLM Ajanları
Mozi, ilaç keşfi süreçlerinde büyük dil modeli ajanlarının hatalarını önleyen çift katmanlı bir mimariyle bilimsel doğruluk ve güvenlik sağlıyor.
Önemli Noktalar
- Mozi, ilaç keşfi için iki katmanlı mimariyle otonom LLM ajanlarını yönetiyor.
- Kontrollü araç kullanımı ve insan denetimiyle hataların birikmesini engelliyor.
- PharmaBench benchmark’ında mevcut yöntemlere göre daha yüksek doğruluk gösterdi.
Mozi’nin Mimari Yaklaşımı
Yüksek riskli alanlarda, özellikle ilaç keşfi gibi bağımlılıkları yoğun farmasötik süreçlerde, otonom büyük dil modeli (LLM) ajanlarının kullanımı iki temel engelle karşılaşıyor: kontrolsüz araç kullanımı ve uzun vadeli güvenilirlik eksikliği. Erken aşamalarda ortaya çıkan hata ve halüsinasyonlar, ilerleyen süreçlerde çarpan etkisiyle başarısızlığa yol açabiliyor.
Mozi, bu sorunları çözmek için geliştirilen çift katmanlı bir mimariye sahip. Birinci katman (Kontrol Düzlemi), rol tabanlı araç izolasyonu ve sınırlı eylem alanlarıyla denetimli bir yönetici-çalışan hiyerarşisi oluşturuyor. Ayrıca, yansıtma tabanlı yeniden planlama mekanizmalarını da içeriyor. İkinci katman (İş Akışı Düzlemi) ise, ilaç keşfinin klasik aşamalarını (Hedef Belirleme’den Lider Optimizasyon’a kadar) durumlu ve bileşen beceri grafikleriyle işliyor. Bu katman, katı veri sözleşmeleri ve stratejik insan denetimi kontrol noktalarıyla bilimsel geçerliliği yüksek belirsizlikli karar sınırlarında koruyor.
Teknik Detaylar
- Mozi, “güvenli görevler için serbest biçimli akıl yürütme, uzun vadeli süreçler için yapılandırılmış yürütme” prensibiyle çalışıyor.
- Yerleşik sağlamlık mekanizmaları ve izlenebilirlik, hata birikimini tamamen önlemeyi sağlıyor.
- PharmaBench üzerinde yapılan testlerde, mevcut yöntemlere kıyasla daha iyi orkestrasyon doğruluğu elde edildi.
Mozi’nin Dönüştürücü Etkisi
Mozi, uçtan uca terapötik vaka çalışmalarında geniş kimyasal alanlarda gezinme, sıkı toksisite filtrelerini uygulama ve rekabetçi in silico adaylar üretme yeteneğiyle öne çıkıyor. Böylece, LLM ajanlarını kırılgan bir sohbetçi olmaktan çıkarıp güvenilir ve yönetilen bir yardımcı bilim insanına dönüştürüyor.
Kaynak
arXiv:2603.03655v1, 2026 yılı içinde yayınlandı.
Kaynak: arxiv.org