基于强化学习驱动的 Transformer GAN 用于分子生成
机器学习
2025-09-25 v1 计算与语言
化学物理
摘要
生成具有所需化学性质的分子是化学合成和药物发现等领域的关键挑战。近期的人工智能(AI)和深度学习技术在数据驱动的分子生成方面取得了显著进展。然而，由于简化分子输入线条编码系统(SMILES)表示的内在敏感性，以及将生成对抗网络(GAN)应用于离散数据的困难，仍面临挑战。本研究引入了 RL-MolGAN，一种新型基于 Transformer 的离散 GAN 框架，用于解决上述问题。不同于传统 Transformer 架构，RL-MolGAN 采用先解码后编码结构，促进从 de novo 和骨架基设计中的药物样分子生成。此外，RL-MolGAN 集成了强化学习(RL)和蒙特卡洛树搜索(MCTS)技术，以增强 GAN 训练的稳定性并优化生成分子的化学性质。为进一步提升模型性能，RL-MolWGAN 作为 RL-MolGAN 的扩展，引入了 Wasserstein 距离和 mini-batch 判别技术，两者共同增强了 GAN 的稳定性。在广泛使用的分子数据集 QM9 和 ZINC 上的实验结果表明，我们的模型在生成具有多样性和理想化学性质的高质量分子结构方面效果显著。
引用
@article{arxiv.2503.12796,
title = {A Reinforcement Learning-Driven Transformer GAN for Molecular Generation},
author = {Chen Li and Huidong Tang and Ye Zhu and Yoshihiro Yamanishi},
journal= {arXiv preprint arXiv:2503.12796},
year = {2025}
}