通过潜在流动探索化学空间

深度生成模型在视觉和语言领域的近期进展，催生了对更结构化数据生成（如分子）的广泛兴趣。然而，除了生成新随机分子外，高效探索和全面理解广阔化学空间对于分子科学及其在药物设计和材料发现中的应用至关重要。本文提出一种新框架ChemFlow，通过流动(navigation)学习的分子生成模型所学习的潜在空间来遍历化学空间。我们引入一种动力系统视角，将问题表述为学习一个向量场，将分子分布质量输送至具有所需分子性质或结构多样性的区域。在该框架下，我们统一了分子潜在空间遍历和优化的先前方法，提出了不同物理先验的替代性竞争方法。我们在分子操控和单目标、双目标分子优化任务中验证了ChemFlow的有效性，涵盖监督和非监督的分子发现场景。代码和演示已在GitHub公开：https://github.com/garywei944/ChemFlow。