LLM 기반 에이전트는 적절한 도구를 선택함으로써 화학 관련 작업의 성능을 향상시키는 능력을 보여주었습니다. 하지만 화학 도구의 고유한 예측 오류로 인해 그 효과는 여전히 제한적입니다. 본 논문에서는 LLM 기반 에이전트를 활용하여 도구의 예측 오류를 줄이는 방법을 탐구합니다. 이를 위해 제한된 데이터로부터 에이전트 스태킹 구조를 최적화하는 간단하지만 효과적인 방법인 ChemHAS(Chemical Hierarchical Agent Stacking)를 제안합니다. ChemHAS는 네 가지 기본적인 화학 작업에서 최첨단 성능을 달성하여 제안된 방법이 도구의 예측 오류를 효과적으로 보상할 수 있음을 보여줍니다. 또한, 네 가지 구별되는 에이전트 스태킹 동작을 식별하고 특징을 분석하여 해석력을 향상시키고 과학 연구에서 AI 에이전트 응용에 대한 새로운 가능성을 제시합니다. 코드와 데이터 세트는 https://anonymous.4open.science/r/ChemHAS-01E4/README.md 에서 공개적으로 이용 가능합니다.
시사점, 한계점
•
시사점:
◦
제한된 데이터로부터 에이전트 스태킹 구조를 최적화하여 화학 도구의 예측 오류를 효과적으로 보상하는 ChemHAS 방법 제시.
◦
네 가지 기본적인 화학 작업에서 최첨단 성능 달성.
◦
네 가지 구별되는 에이전트 스태킹 동작 식별 및 특징 분석을 통한 해석력 향상 및 AI 에이전트 응용의 새로운 가능성 제시.
