基于GFlowNets的样本高效多目标分子优化
机器学习
2023-11-03 v2 机器学习
摘要
许多关键科学问题涉及设计具有期望性质的新分子，这可表述为离散化学空间上的黑箱优化问题。在实践中，多个相互冲突的目标与昂贵的评估（如湿实验室实验）使得候选分子的多样性至关重要。计算方法已取得初步成功，但在同时考虑目标空间与搜索空间的多样性方面仍存在困难。为弥补这一差距，我们提出一种多目标贝叶斯优化（MOBO）算法，利用基于超网络的GFlowNets（HN-GFN）作为采集函数优化器，旨在从近似帕累托前沿中采样出多样化的候选分子图批次。HN-GFN使用单一偏好条件化超网络，学习探索目标间的各种权衡。我们进一步提出一种类后见的离策略策略，以在不同偏好间共享高性能分子，从而加速HN-GFN的学习。我们通过实证说明HN-GFN具有充分的跨偏好泛化能力。此外，在各种真实世界MOBO设置中的实验表明，我们的框架在候选质量与样本效率方面均显著优于现有方法。代码可在 https://github.com/violet-sto/HN-GFN 获取。
引用
@article{arxiv.2302.04040,
title = {Sample-efficient Multi-objective Molecular Optimization with GFlowNets},
author = {Yiheng Zhu and Jialu Wu and Chaowen Hu and Jiahuan Yan and Chang-Yu Hsieh and Tingjun Hou and Jian Wu},
journal= {arXiv preprint arXiv:2302.04040},
year = {2023}
}
备注
NeurIPS 2023