MEMIG؛ حافظهٔ ساختاریافته برای بهینه‌سازی پادتن‌ها

پژوهشگران در پیش‌چاپی با عنوان MEMIG می‌گویند روش‌های رایج حافظه در عامل‌های خودتکامل‌یابندهٔ مدل‌های زبانی بزرگ، تجربه‌های گذشته را به شکل متن آزاد نگه می‌دارند و با بازنویسی به‌روزرسانی می‌کنند؛ روشی که برای کارهایی مناسب است که تجربه در آن‌ها به‌سادگی روایت می‌شود. اما در کشف و بهینه‌سازی علمی، تجربه اغلب کمیتی است که یک سامانهٔ ارزیاب در زمینه‌ای مشخص اندازه‌گیری می‌کند. تبدیل چنین داده‌ای به متن، به‌گفتهٔ نویسندگان، جای دقیق ثبت آن را روشن نمی‌کند، اندازه‌گیری را با توصیف جایگزین می‌کند و برهم‌کنش میان مداخله‌ها را نشان نمی‌دهد. آن‌ها MEMIG را با این دیدگاه معرفی می‌کنند که حافظهٔ عامل‌ها برای بهینه‌سازی زیست‌مولکول‌ها باید ساختاریافته، کمّی و قابل نمایه‌سازی باشد. چکیدهٔ در دسترس جزئیات بیشتری از سازوکار یا نتایج این روش ارائه نمی‌کند.