CARD：基于 Radix 分解的粗到细自回归建模用于可迁移的自由能估计
机器学习
2026-05-05 v1
摘要
自由能差的估计量化了分子相互作用中的热力学偏好，作为化学和药物发现的核心。尽管已取得显著进展，但现有方法仍面临关键限制：经典计算方法因依赖大规模分子动力学仿真而昂贵，而深度学习方法则受限于非高表达生成模型或输入维度与特定系统绑定，导致几乎没有泛化能力。为此，我们提出 CARD 框架，采用新颖的 Radix 分解方法，单射地将 3D 坐标转换为混合离散-连续序列，实现粗到细自回归建模，增强表达性。值得注意的是，该模型对应零自由能的分布，作为任意系统绝对自由能计算的提议，而无需依赖化学路径。跨越 diverse 任务的实验表明，CARD 在具有多样拓扑的未见系统上匹配经典计算方法的精度，同时实现约 40 倍的推理加速。
引用
@article{arxiv.2605.02657,
title = {CARD: Coarse-to-fine Autoregressive Modeling with Radix-based Decomposition for Transferable Free Energy Estimation},
author = {Ziyang Yu and Yi He and Wenbing Huang and Wen Yan and Yang Liu},
journal= {arXiv preprint arXiv:2605.02657},
year = {2026}
}
备注
ICML 2026 poster