层次引导拓扑潜在流用于分子图生成
机器学习
2026-03-31 v1 材料科学
机器学习
摘要
生成化学上有效的 3D 分子受到离散键拓扑的阻碍：小的局部键错误可能导致全局失败（价态违反、不连通、不合理的环），尤其是对于具有长程约束的药物类分子。许多无条件的 3D 生成器强调坐标然后推断键或依赖后处理，导致拓扑可行性控制较弱。我们提出层次引导潜在拓扑流 (HLTF)，一个规划-执行模型，使用潜在多尺度规划进行全局上下文，并使用约束感知采样器抑制拓扑驱动的失败。在 QM9 上，HLTF 达到 98.8% 的原子稳定性和 92.9% 的有效且唯一，将 PoseBusters 有效性提高到 94.0%（比最强报告基线高 0.9）。在 GEOM-DRUGS 上，HLTF 在无后处理的情况下达到 85.5%/85.0% 有效性/有效唯一新颖性，在标准化弛豫后达到 92.2%/91.2%，与最佳后处理基线相差 0.9 分。显式拓扑生成还减少了通过 RDKit 净化但未能通过更严格检查的假正样本。
引用
@article{arxiv.2603.27113,
title = {Hierarchy-Guided Topology Latent Flow for Molecular Graph Generation},
author = {Urvi Awasthi and Alexander Arjun Lobo and Leonid Zhukov},
journal= {arXiv preprint arXiv:2603.27113},
year = {2026}
}
备注
22 pages, 2 figures, 6 tables. Accepted to ICLR 2026 AI4Mat Workshop