增强记忆：利用经验回放加速从头分子设计
生物大分子
2023-05-26 v1 机器学习
定量方法
摘要
样本效率是从头分子设计中的根本挑战。理想情况下，分子生成模型应在最少的预言机评估（计算预测或湿实验）下学习满足期望目标。当使用能提供更高预测精度但代价显著的预言机时，该问题更为突出。因此，这些预言机无法在实际预算下直接优化。如实用分子优化（PMO）基准所示，分子生成模型与强化学习结合时展现出卓越的样本效率。本文提出一种结合数据增强与经验回放的新算法，称为增强记忆（Augmented Memory）。我们表明，预言机调用的得分可被重复用于多次更新模型。我们将增强记忆与已有算法比较，并在需要探索与利用的利用任务和药物发现案例研究中展现出显著提升的样本效率。我们的方法在强制计算预算的 PMO 基准中达到新的 SOTA，在 23 项任务中的 19 项上优于先前最优方法。
引用
@article{arxiv.2305.16160,
title = {Augmented Memory: Capitalizing on Experience Replay to Accelerate De Novo Molecular Design},
author = {Jeff Guo and Philippe Schwaller},
journal= {arXiv preprint arXiv:2305.16160},
year = {2023}
}