通过潜在流实现性质引导的分子生成与优化

分子发现日益被表述为一个逆向设计问题：在可行性约束下识别满足期望性质谱的分子结构。虽然最近的生成模型提供了化学空间的连续潜在表示，但在这些表示中进行针对性优化往往导致有效性降低、结构保真度丧失或行为不稳定。我们提出了 MoltenFlow，一个模块化框架，将按性质组织的潜在表示与流匹配生成先验和基于梯度的引导相结合。该公式同时支持条件生成和潜在空间框架内的局部优化。我们证明，引导的潜在流能够在固定预言机预算下实现高效的多目标分子优化，并具有可控的权衡，而学习的流先验改善了无条件生成的质量。