MolHF：一种用于分子图生成的层次化归一化流模型
机器学习
2023-05-16 v1 机器学习
摘要
分子从头设计是科学领域中一项关键且具有挑战性的任务，旨在设计具有期望性质谱的新型分子结构。借助图生成模型已取得显著进展。然而，现有研究很少关注层次化生成模型，这类模型可利用分子图固有的层次结构（蕴含丰富语义信息），并生成更大尺寸的复杂分子，我们将证明此类分子对大多数现有模型而言难以生成。层次化生成的主要挑战在于生成中间离散粗化图结构所引起的不可微问题。为规避该问题，我们将离散空间上棘手的层次化生成问题转化为层次化表示学习的逆过程，并提出 MolHF，一种以由粗到细方式生成分子图的新型基于流的层次化模型。具体而言，MolHF 首先通过多尺度架构生成化学键，然后基于各尺度下的粗化图结构生成原子。我们证明 MolHF 在随机生成与性质优化上达到了最先进（state-of-the-art）性能，表明其建模数据分布的高能力。此外，MolHF 是首个可应用于建模含超过 100 个重原子的大型分子（聚合物）的基于流的模型。代码与模型见 https://github.com/violet-sto/MolHF。
引用
@article{arxiv.2305.08457,
title = {MolHF: A Hierarchical Normalizing Flow for Molecular Graph Generation},
author = {Yiheng Zhu and Zhenqiu Ouyang and Ben Liao and Jialu Wu and Yixuan Wu and Chang-Yu Hsieh and Tingjun Hou and Jian Wu},
journal= {arXiv preprint arXiv:2305.08457},
year = {2023}
}
备注
IJCAI 2023