MolHIT：基于层次离散扩散模型的分子图生成
人工智能
2026-02-20 v1
摘要
随着扩散模型在 AI 驱动的药物发现和材料科学中的应用不断增长，分子图的生成成为重要方向。虽然图扩散模型因其离散的 2D 分子图特性而被广泛采用，但现有模型存在化学有效性低的问题，难以满足所需属性的要求。为此，本文引入 MolHIT，一个强大的分子图生成框架，旨ativo克服现有方法面临的长期性能瓶颈。MolHIT 基于层次离散扩散模型（Hierarchical Discrete Diffusion Model），其将离散扩散推广到编码化学先验的额外类别，并提出解耦原子编码（decoupled atom encoding），该方法根据原子的化学角色将原子类型进行划分。总体而言，MolHIT 在 MOSES 数据集上实现了新的状态-of-the-art 性能，首次在图扩散模型中实现接近完美的有效性，超越强大的 1D 基线，在多个指标上取得优异成绩。我们进一步展示了在下游任务中的强大性能，包括多属性引导生成和骨架延伸。
引用
@article{arxiv.2602.17602,
title = {MolHIT: Advancing Molecular-Graph Generation with Hierarchical Discrete Diffusion Models},
author = {Hojung Jung and Rodrigo Hormazabal and Jaehyeong Jo and Youngrok Park and Kyunggeun Roh and Se-Young Yun and Sehui Han and Dae-Woong Jeong},
journal= {arXiv preprint arXiv:2602.17602},
year = {2026}
}