MolMark: 基于深度学习的分子结构无损原子级水印
机器学习
2025-12-22 v2
摘要
AI 驱动的分子生成正改变药物发现和材料设计的格局，但缺乏保护机制使 AI 生成的分子易受未经授权的重复使用并面临来源模糊的问题。这种限制削弱了科学可重复性和知识产权安全。为此，我们提出了首个基于深度学习的分子水印框架（MolMark），精心设计用于在不损害分子功能的前提下，将高保真数字签名嵌入分子中。MolMark 学习调制化学上有意义的原子级表示，并通过 SE(3) 不变特征实现几何鲁棒性，在旋转、平移和反射下保持稳健性。此外，MolMark 可无缝集成到基于 AI 的分子生成模型中，使水印可被视为一种对分子结构影响最小的学习变换。在 QM9、GEOM-DRUG 等基准数据集和 GeoBFN、GeoLDM 等最新分子生成模型实验中，证明 MolMark 能够在保持超过 90% 关键分子属性、维持下游性能的同时嵌入 16 位水印，并在 SE(3) 变换下实现 >95% 的提取准确率。MolMark 为统一分子生成与可验证 authorship 建立了原则性路径，支持可信赖且负责任的 AI 驱动分子发现。
引用
@article{arxiv.2508.17702,
title = {MolMark: Safeguarding Molecular Structures through Learnable Atom-Level Watermarking},
author = {Runwen Hu and Peilin Chen and Keyan Ding and Shiqi Wang},
journal= {arXiv preprint arXiv:2508.17702},
year = {2025}
}