AIM：面向分子性质深度多任务学习的自适应干预

同时优化多个经常冲突的分子性质是新型疗法开发中的关键瓶颈。尽管多任务学习是一种有前景的方法，但其有效性常因破坏性梯度干扰而受损，特别是在药物发现中常见的数据稀缺场景下。为解决此问题，我们提出了 AIM，这是一个学习动态策略以调解梯度冲突的优化框架。该策略使用由密集、可微正则化项组成的新颖增广目标与主网络联合训练。该目标引导策略产生几何稳定且动态高效的更新，优先在最具挑战性的任务上取得进展。我们证明，AIM 在 QM9 和靶向蛋白降解剂基准的子集上取得了相对于多任务基线的统计学显著改进，其优势在数据稀缺场景下最为明显。除性能外，AIM 的关键贡献在于其可解释性；学习到的策略矩阵可作为分析任务间关系的诊断工具。这种数据高效的性能与诊断洞察力的结合，凸显了自适应优化器通过为多性质分子设计创建更稳健、更具洞察力的模型来加速科学发现的潜力。