基于软约束 GFlowNets 的可综合分子生成
机器学习
2026-02-05 v1 定量方法
摘要
生成模型在实验药物发现活动中受限严重，主要原因是难以设计可在实践中实现的新颖分子。以前的工作利用生成流网络 (GFlowNets) 通过基于预定义反应模板和构件的状态和动作空间设计来施加硬性可综合性约束。尽管这种方法前景光明，但目前缺乏灵活性和可扩展性。作为一种替代方案，我们提出 S3-GFN，通过对基于序列的 GFlowNet 进行简单的软正则化来生成可综合的 SMILES 分子。我们的方法利用从大规模 SMILES 语料库中学习的丰富分子先验，引导分子生成朝向高奖励、可综合的化学空间。模型通过基于可综合样本和不可综合样本的独立缓冲区进行的离策略回放训练，带有对比学习信号来诱导约束。我们的实验表明，S3-GFN 能够学习生成可综合分子（≥95%）且在多样化任务中获得更高奖励。
引用
@article{arxiv.2602.04119,
title = {Synthesizable Molecular Generation via Soft-constrained GFlowNets with Rich Chemical Priors},
author = {Hyeonah Kim and Minsu Kim and Celine Roget and Dionessa Biton and Louis Vaillancourt and Yves V. Brun and Yoshua Bengio and Alex Hernandez-Garcia},
journal= {arXiv preprint arXiv:2602.04119},
year = {2026}
}