使用基于能量的模型生成物理一致的分子
机器学习
2026-05-19 v1
摘要
处于平衡态的分子遵循 Boltzmann 分布，使得底层能量景观成为具有物理基础的建模目标。然而，此类景观难以从数据中学习，且一旦学习完成又难以从中采样。扩散和流匹配模型通过学习噪声与数据之间的时间条件得分或传输场来规避这些困难，以牺牲能量归纳偏置为代价换取更易处理的训练目标。我们引入 EBMol，这是一种基于能量的模型 (EBM)，通过学习原子加性标量势在训练期间无需显式模拟即可恢复该归纳偏置。我们的方法采用受流启发的恢复场匹配目标来近似能量景观。我们采用 Mirror-Langevin 算法进行采样，实现原子位置和类型的统一更新，并结合并行回火实现推理时计算扩展。EBMol 是首个在 QM9 和 GEOM-Drugs 上实现 SOTA 性能的用于 3D 分子生成的 EBM。此外，我们表明学习到的能量景观可作为对构型进行排序和过滤的原则性质量指标，并通过势组合的形状引导采样和零样本连接体设计，展示了无需重训练的可控生成。
引用
@article{arxiv.2605.18381,
title = {Generating Physically Consistent Molecules with Energy-Based Models},
author = {Christoph Griesbacher and Lea Bogensperger and Andreas Habring and Thomas Pock},
journal= {arXiv preprint arXiv:2605.18381},
year = {2026}
}