面向分子几何生成的训练-free 预测特征缓存加速
机器学习
2025-10-07 v1 人工智能
摘要
流匹配模型生成高保真分子几何，但在推理过程中计算成本高昂，需要进行数百次网络评估。当此类模型用于大量分子候选者采样时，推理开销成为主要瓶颈。本文讨论了一种训练-free 缓存策略，通过预测求解器步骤中的中间隐藏状态来加速分子几何生成。该方法直接作用于 SE(3) 等效主干网络，与预训练模型兼容，与现有训练基于加速和系统级优化方法正交。在 GEOM-Drugs 数据集上的实验表明，缓存方法在保持匹配样本质量的前提下，使墙钟推理时间缩减为原来的一半，与基础模型相比，最高可实现 3 倍的加速，同时对样本质量 degradation 影响最小。由于这些收益与其他优化措施叠加，结合其他通用、无损优化措施应用缓存可实现最高达 7 倍的加速。
引用
@article{arxiv.2510.04646,
title = {Predictive Feature Caching for Training-free Acceleration of Molecular Geometry Generation},
author = {Johanna Sommer and John Rachwan and Nils Fleischmann and Stephan Günnemann and Bertrand Charpentier},
journal= {arXiv preprint arXiv:2510.04646},
year = {2025}
}
备注
Accepted at the AI for Science Workshop @ NeurIPS 2025