主动学习实现分子生成模型的外推
机器学习
2025-01-07 v1 材料科学
化学物理
摘要
尽管生成模型在发现具有优化后验属性的分子方面具有潜力，但它们往往无法建议在训练中看到的已知分子之上的可合成分子。我们发现，关键限制并不在分子生成过程本身，而在于分子属性预测器的泛化能力较差。我们通过创建基于主动学习的、分子生成的闭环管道来解决这一挑战，其中分子生成模型会不断在来自量子化学模拟的反馈上进行迭代，以提高对新化学空间的泛化能力。与其他生成模型方法相比，只有我们的主动学习方法会生成超出训练数据范围（最高可达训练数据范围的 0.44 个标准差）的分子属性，并实现 79% 的提高。通过在主动学习循环中对热力学稳定性数据进行条件化，所生成稳定分子的比例比最佳的下一模型高出 3.5 倍。
引用
@article{arxiv.2501.02059,
title = {Active Learning Enables Extrapolation in Molecular Generative Models},
author = {Evan R. Antoniuk and Peggy Li and Nathan Keilbart and Stephen Weitzner and Bhavya Kailkhura and Anna M. Hiszpanski},
journal= {arXiv preprint arXiv:2501.02059},
year = {2025}
}