SIGMA：分子自回归的语义标识符分组

自回归分子模型将概率分配给分子序列化，即使化学特性对于序列化是不变的。因此，等效序列化可以代表共同的分子身份，但会导致不一致的下一个标记决策。随机字符串扩大了曝光度，但没有揭示哪些中间决策应该达成一致。我们引入了 SIGMA，这是一种由化学认证的相同后缀三元组构建的密集后缀位置目标：两个等效历史、一个非等效历史和一个共享后缀。 SIGMA 沿着延续对齐相应的预标记隐藏状态，并将负数分隔到有限的相对边缘，保持语言模型目标、解码器和推理过程不变。我们将 SIGMA 与 SMILES 和 SELFIES 下四个数据集的规范训练、随机序列化训练和最后标记对齐进行比较。在八个表示数据集块中，SIGMA 产生了六种清晰的测试参考 Frechet ChemNet 距离减少：所有四个 SELFIES 域以及 SMILES 下的 QM9 和 ZINC，每个对照的配对 95% 置信区间都低于零。位置分析表明，在保留分子间信息的同时，状态对应性、化学辨别力和下一个标记一致性得到了改善。在两个全语料库 ZINC 块上，计算匹配的消融将化学上正确的状态对应识别为有效成分。除了生成之外，SIGMA 还提高了所有六个分子特性基准的平均预测性能，并降低了每项任务对等效分子序列化的敏感性。