DiMOS：Doob 引导的多目标推理时科学设计搜索

科学设计往往需要共同满足多个目标和约束。预训练的掩蔽扩散模型为此任务提供了生成基础，但微调满足这些目标和约束会产生额外的训练成本，从而激励推理时使用冻结模型进行指导。然而，此类指导面临两个挑战：通过或失败约束和黑盒奖励模型可能无法提供有用的 梯度，而共同满足多个要求可能会留下一个小的可行区域，使得在有限的推理预算内难以找到可行的设计。为了应对这些挑战，我们引入了 DiMOS，这是一个用于多目标科学设计的无需训练框架。使用来自候选完成的联合奖励，DiMOS 执行近似 Doob 引导的局部重采样，而不需要奖励 梯度。为了有效地分配计算，它使用预算有效的轨迹搜索将计算集中在有希望的延续上。在六项 DNA、蛋白质和 RNA 任务中，DiMOS 在可比较的生成时间内获得了最高的联合成功率，达到了 DNA 和蛋白质最强基线 $1.98\times$，同时保持了较高的序列独特性和自然性。