可控分子生成基础模型

尽管基础模型在语言和视觉方面取得了成功，但分子图生成仍然缺乏具有可靠可控性的异构设计任务的统一框架。虽然强化学习 (RL) 为特定任务的优化提供了自然的 后训练 机制，但将其应用于图生成模型却受到巨大的原子级作用空间和化学上无效的中间态的阻碍。我们提出 \textbf{Co}controlable \textbf{Mole}ural Generative Foundation Models (CoMole)，它是用统一的主题感知图扩散管道构建的。通过学习主题感知图空间，CoMole 将预先训练的结构先验转化为可控生成，其中 RL 优化了条件反向策略而不是具有化学意义的决策。我们从理论上描述了原子级强化学习的瓶颈，并证明了主题感知策略优化的合理性。在涵盖材料和药物发现的三个异构基准中，CoMole 在所有九个目标的可控性方面均排名第一，相对于最强基线，MAE 降低高达 48.2%，并且在没有基于规则的校正或事后过滤的情况下保持有效性高于 0.94。我们进一步表明，CoMole 通过在冻结生成器的情况下仅优化任务嵌入，将可控性转移到看不见的属性，从而实现与强大的特定于任务的基线竞争的性能。