SHA-256 嵌入驱动的高能分子生成建模：在稀疏数据场景下
机器学习
2025-10-31 v1 材料科学
摘要
高能材料 (HEM) 对推进和防御领域至关重要，但其发现受限于实验数据和受限的测试设施访问。本工作提出一种新方法，通过将长短期记忆网络 (LSTM) 用于分子生成和注意力图神经网络 (GNN) 用于性质预测来实现高能分子。我们提出一种变革性的嵌入空间构建策略，将固定的 SHA-256 嵌入与部分可训练的表示相结合。不同于常规的正则化技术，这种方法本身改变了表示基准，重塑了学习开始前的分子输入空间。无需预训练，生成器实现了 67.5% 的有效性和 37.5% 的新颖性。所生成的库相对于训练集的平均 Tanimoto 系数为 0.214，表明该框架能够生成化学空间的多样性。我们识别出 37 个新的超爆炸物，其爆炸速度超过 9 km/s。
关键词
引用
@article{arxiv.2510.25788,
title = {SHA-256 Infused Embedding-Driven Generative Modeling of High-Energy Molecules in Low-Data Regimes},
author = {Siddharth Verma and Alankar Alankar},
journal= {arXiv preprint arXiv:2510.25788},
year = {2025}
}