使用 STGG+ 主动学习生成 $\pi$ 功能分子
机器学习
2025-02-21 v1
摘要
生成具有超分布属性的新型分子是分子发现中的重要挑战。虽然监督学习方法可生成与数据集中分子相似且质量较高的分子，但难以泛化到超分布属性。强化学习可探索新的化学空间，但常发生奖励作弊且生成不可综合的分子。本文通过将最新监督学习方法 STGG+ 集成到主动学习循环中来解决此问题。我们的方法在迭代生成、评估和微调 STGG+ 的过程中持续扩展其知识。我们称此方法为 STGG+AL。我们将 STGG+AL 应用于有机 功能材料的设计，具体包括两个具有挑战性的任务：1）生成表征高振荡强度的高度吸收性分子，2）设计在近红外（NIR）范围内具有合理振荡强度的吸收性分子。所生成的分子经时序密度泛函理论进行验证和理论化解释。我们的结果表明，该方法在生成具有高振荡强度的新型分子方面效果显著，与现有方法如强化学习（RL）方法相比具有优势。我们开源了包含 290 万个 共轭分子的 Conjugated-xTB 数据集以及用于近似振荡强度和吸收波长的函数（基于 sTDA-xTB）。
关键词
引用
@article{arxiv.2502.14842,
title = {Generating $\pi$-Functional Molecules Using STGG+ with Active Learning},
author = {Alexia Jolicoeur-Martineau and Yan Zhang and Boris Knyazev and Aristide Baratin and Cheng-Hao Liu},
journal= {arXiv preprint arXiv:2502.14842},
year = {2025}
}
备注
Code: https://github.com/SamsungSAILMontreal/STGG-AL