DGLD：基于域门控潜在扩散的新型能源材料发现
摘要
能源材料性能提升直接转化为减小推进剂质量、缩小武器头部以及更高效的平民气体发生器，但十五年来尚无新的 HMX 级化合物披露。设计一款化学稀疏标签问题：约 66 k 标记的 CHNO 分子中仅约 3 k 具实验或 DFT 质量测量，基于整个混合集合训练的朴素生成模型要么记忆高性能尾部，要么在无校准情况下外推。我们引入域门控潜在扩散（DGLD）：训练时在标签质量门控处，采样时采用多任务得分模型引导，以及以四阶段化学验证漏斗结束，最终进行第一性原理 DFT 审核。结果产生 12 个经 DFT 确认的新型前景。 headline 化合物 3,4,5-三硝基-1,2-异噻唑（L1）达到 \r{ho}_"cal" =2.09 g/cm3 和 D_"K-J,cal" =8.25 km/s，结构上与所有 65,980 名训练分子中最近的邻居 Tanimoto 相似度仅为 0.27。联合 headline 前景 E1（4-硝基-1,2,3,5-氮杂-triazole）在校准爆破速度（D_"K-J,cal" =9.00 km/s）上超过 L1，来自与 L1 完全不相干的化合类族。DGLD 是唯一在 DFT 级别落入生产象限（同时新颖且命中目标）的方法。SMILES-LSTM 在其输出中记忆 18.3%；SELFIES-GA 最佳新型候选在 DFT 审核后损失 3.5 km/s；REINVENT 4 生成新型高 N 杂环但在 D=9.02 km/s 处达到峰值。代码、模型checkpoint以及 918 个挖掘的硬性负样本已发布于 Zenodo（DOI 10.5281/zenodo.19821953）；下一个进入 HMX 级别的化合物可以在几天的 GPU 时间内被发现、验证并推荐合成。
引用
@article{arxiv.2605.26540,
title = {DGLD: Domain-Gated Latent Diffusion for the Discovery of Novel Energetic Materials},
author = {Yehudit Aperstein and Alexander Apartsin},
journal= {arXiv preprint arXiv:2605.26540},
year = {2026}
}
备注
49 pages, 25 figures