基于潜在变分均流的 MolSnap 快捷分子生成
机器学习
2025-08-08 v1
摘要
基于文本描述的分子生成是计算化学和药物发现中的基础任务。现有方法常常难以同时确保高质量、多样的生成效果和快速推理。本文提出一种新型因果感知框架，通过两种关键创新来解决这些挑战。首先，我们引入因果感知变换器(CAT)，在联合编码分子图记号和文本指令的同时，强制在生成过程中遵循因果依赖关系。其次，我们开发了变分均流(VMF)框架，该框架通过将潜在空间建模为高斯混合分布，扩展了现有流方法的表征能力，超越单一模态先验。VMF实现了高效的单步推理，同时保持出色的生成质量和多样性。在四个标准分子基准上的大量实验表明，我们的模型在SOTA基线上实现了更高的新颖性(最高达74.5%)、多样性(最高达70.3%)和100%有效性。此外，VMF在条件生成时仅需一个函数评估次数(NFE)，无条件生成最多需要五个NFE，显著优于扩散方法的计算效率。
引用
@article{arxiv.2508.05411,
title = {MolSnap: Snap-Fast Molecular Generation with Latent Variational Mean Flow},
author = {Md Atik Ahamed and Qiang Ye and Qiang Cheng},
journal= {arXiv preprint arXiv:2508.05411},
year = {2025}
}