BioProAgent: Neuro-Symbolic Grounding for Constrained Scientific Planning

Resumo Técnico: BioProAgent

1. O Problema: A Lacuna de Execução em Laboratórios Úmidos

Os Grandes Modelos de Linguagem (LLMs) demonstraram capacidades notáveis de raciocínio na descoberta científica, mas enfrentam uma barreira crítica ao transitar da simulação computacional para a execução física em laboratórios ("wet-labs").

• Ambientes Irreversíveis: Diferente do desenvolvimento de software, onde erros podem ser revertidos, em laboratórios biológicos, erros de parâmetros podem causar danos catastróficos ao equipamento, perda de amostras ou resultados não reproduzíveis.
• Alucinações Probabilísticas: Agentes baseados puramente em LLMs (como ReAct ou AutoGPT) sofrem de "deriva cognitiva" (Cognitive Drift) em tarefas de longo prazo. Eles tendem a alucinar IDs de reagentes, ignorar etapas críticas ou violar restrições de segurança físicas.
• Falta de Intertravamentos: Métodos existentes focam na otimização lógica, mas carecem de mecanismos determinísticos de "intertravamento" (interlocks) que garantam a conformidade física antes da execução.

2. Metodologia: BioProAgent

O BioProAgent é um framework neuro-simbólico que ancora o raciocínio probabilístico de um LLM em uma Máquina de Estados Finitos (FSM) determinística e livre de treinamento. O sistema opera sob um fluxo rigoroso de "Projetar-Verificar-Retificar" (Design-Verify-Rectify).

Componentes Principais:

• Arquitetura de Memória Híbrida e Grounding Semântico:

  • Para resolver o gargalo de contexto (token consumption), o sistema utiliza Grounding de Símbolos Semânticos. Em vez de enviar payloads de dados complexos (JSONs grandes) para o LLM, o sistema projeta artefatos em pares símbolo-valor {(k, v)}.
  • O LLM planeja usando ponteiros simbólicos (baixo consumo de tokens), e a resolução para parâmetros físicos ocorre apenas no momento da execução. Isso reduz o consumo de tokens em ~6x e garante consistência de recursos.
  • A memória é dividida em: Memória de Trabalho (contexto imediato), Memória Episódica (trajetória da tarefa) e Memória de Longo Prazo (conhecimento geral).

• FSM de Controle Neuro-Simbólico:

  • Um FSM determinístico atua como uma "barreira de segurança", decuplando o raciocínio do controle.
  • Estados: O sistema transita entre estados como DESIGN (Geração), VERIFY (Validação) e RECTIFY (Correção).
  • Intertravamento (Interlock): Antes de qualquer comando ser enviado ao hardware, ele passa por verificações hierárquicas. Se uma violação for detectada, o FSM força uma transição obrigatória para o estado RECTIFY, impedindo a execução de ações inseguras.

• Verificação Hierárquica:

  1. Verificação Neuro-Científica ($K_s$): Um "Refletor Científico" (outro LLM ou módulo) avalia a lógica do protocolo contra padrões de laboratório e controles de biossegurança.
  2. Verificação Simbólico-Física ($K_p$): Um motor de regras determinístico verifica o código gerado contra um registro de hardware ($\Omega$) que define restrições físicas (ex: limites de velocidade de centrífugas, volumes de pipetagem). Qualquer violação dispara o intertravamento.

3. Contribuições Chave

1. BioProAgent: Um framework neuro-simbólico que preenche a lacuna entre o raciocínio probabilístico e a execução física determinística, sem necessidade de treinamento adicional do modelo base.
2. Mecanismo de Planejamento Aumentado por Estado: Uso de uma FSM para impor um fluxo de trabalho estrito, garantindo que a lógica científica e a segurança física sejam validadas antes da execução.
3. Grounding de Símbolos Semânticos: Técnica inovadora para gerenciar contextos longos, reduzindo drasticamente o consumo de tokens e eliminando erros de "perda no meio" (lost-in-the-middle) em IDs de reagentes.
4. Validação em BioProBench: Demonstração de que restrições neuro-simbólicas são essenciais para a autonomia confiável em ambientes físicos irreversíveis.

4. Resultados Experimentais

O sistema foi avaliado no BioProBench (uma extensão do benchmark existente), comparado com LLMs puros (GPT-4o, Gemini, etc.) e agentes padrão (ReAct, AutoGPT, Reflexion).

• Conformidade Física: O BioProAgent atingiu 95,6% de conformidade física, comparado a apenas 21,0% do ReAct e falhas totais em outros agentes em cenários de correção de erros.
• Validade Científica: Alcançou uma pontuação de validade científica ($C_s$) de 0,591, superando em 30% o melhor agente baseline (ReAct) e quase dobrando os modelos vanilla.
• Estabilidade de Longo Prazo: Em tarefas com até 238 passos, o BioProAgent manteve uma taxa de sucesso de 100%, enquanto agentes padrão falharam devido a loops infinitos ou corrupção de esquema.
• Recuperação de Erros: O sistema alcançou 88,7% de sucesso na recuperação de erros injetados, enquanto os baselines tiveram 0% de taxa de correção.
• Eficiência: Redução de 82% no consumo de tokens em comparação ao AutoGPT em tarefas de longo prazo, graças ao Grounding simbólico.

5. Significado e Conclusão

O trabalho demonstra que, para aplicações físicas de alto risco (como laboratórios automatizados), a inteligência neural pura é insuficiente devido à sua natureza probabilística e falha em garantir restrições de segurança absolutas.

O BioProAgent estabelece que a autonomia confiável exige a imposição de intertravamentos de segurança simbólicos sobre a inteligência neural. Ao forçar um ciclo de "Projetar-Verificar-Retificar" através de uma FSM determinística, o sistema consegue operar com segurança em ambientes irreversíveis, prevenindo danos físicos e garantindo a reprodutibilidade científica. Isso representa um avanço fundamental rumo a laboratórios autônomos verdadeiramente seguros e escaláveis.