生成式伪力场用于分子生成
机器学习
2026-05-20 v1 化学物理
定量方法
摘要
生成稳定的分子构象通常在物理真实性的能量基松弛和数据驱动生成模型的采样效率之间权衡。虽然机器学习力场（MLFF）可通过根据物理力对分子几何进行能量基松弛来采样稳定构象，但需要昂贵的 ab-initio 训练数据。相反，扩散模型（DM）仅依赖噪声 schedules 和 time-step conditioning 从平衡数据学习。在本工作中，我们提出生成式伪力场（GPFF）以桥接这些范式，通过在参考平衡结构相对建立二次伪势能曲线上训练 MLFF。由于无需对扰动几何进行 ab-initio 计算，非平衡训练数据可通过对平衡结构施加高斯噪声来动态生成。我们表明 GPFF 是方差爆炸 DM 的一种无 time-step 依赖变体：得分来源于预测的伪力，但由于力的大小隐式编码了噪声水平，无需 time-step conditioning。因此，我们的 GPFF 可作为标准扩散采样（祖先、Heun）的即插即用替换选项，同时也更高效、自适应，或采用基于 MLFF 的直接去噪方案。我们的采样算法支持任意结构先验和几何约束。在 QM9 数据集上，GPFF 在 256 个神经函数评估（NFE）时实现 100% 的有效性，仅需 6 个 NFE 即可超过 50%，在所有采样器中均优于扩散基线。结合自定义先验，我们展示了在药物设计场景中，GPFF 可实现快速准确的分子编辑器中的实时分子生成。
引用
@article{arxiv.2605.19050,
title = {Generative Pseudo-Force Fields for Molecular Generation},
author = {Stefaan Simon Pierre Hessmann and Khaled Kahouli and Stefan Gugler and Michael Plainer and Frank Noé and Klaus-Robert Müller and Niklas Wolf Andreas Gebauer},
journal= {arXiv preprint arXiv:2605.19050},
year = {2026}
}