学习用于分子生成的隐空间基于能量的先验模型
机器学习
2020-10-20 v1
摘要
深度生成模型近来已被应用于分子设计。若将分子编码为线性 SMILES 字符串，则建模十分便利。然而，依赖字符串表示的模型往往生成无效样本与重复样本。已有工作通过在化学有效的片段上构建模型，或在生成过程中显式强制化学规则来解决这些问题。我们认为，即便分子以简单的字符级 SMILES 字符串编码，一个具有表达力的模型也足以从数据中隐式且自动地学习复杂的化学规则。我们提出以 SMILES 表示为分子建模学习隐空间基于能量的先验模型。我们的实验表明，我们的方法能够生成在有效性与唯一性上可与最先进（state-of-the-art, SOTA）模型竞争的分子。有趣的是，所生成分子的结构与化学特征其分布几乎完美匹配真实分子的分布。
引用
@article{arxiv.2010.09351,
title = {Learning Latent Space Energy-Based Prior Model for Molecule Generation},
author = {Bo Pang and Tian Han and Ying Nian Wu},
journal= {arXiv preprint arXiv:2010.09351},
year = {2020}
}