编辑 | 绿萝
「从头份子安排」是材料科学的「圣杯」。生成深度学习的引入极大地推进了这一方向，但份子发现仍然具备挑战性，而且往往效率低下。
以色列理工学院（Technion-Israel Institute of Technology）和意大利威尼斯大学（University Ca’ Foscari of Venice）的研讨团队，提出一种用于逆向份子安排的带领集中模型：GaUDI，它结合了用于属性展望的等变图神经网络和生成集中模型。
研讨职员通过将单目的和多目的任务应用于生成的 475,000 个多环芳香族系统数据集，证明了 GaUDI 在安排无机电子应用份子方面的有效性。GaUDI 展示了改进的前提安排，生成具备最好特色的份子，甚至超越原始散布，提出了比数据集中的份子更好的份子。除了逐点目的之外，GaUDI 还可以带领至开放式目的（例如最小值或最大值），并且在所有情况下，生成的份子的有效性都接近 100%。
该研讨以「Guided diffusion for inverse molecular design」为题，于 2023 年 10 月 5 日发布在《Nature Computational Science》上。
份子安排已有格式及其挑战
新技术的发展往往取决于获取新功能份子的能力。然而，份子发现对于化学家和材料科学家来说仍然是一个开放的挑战，因为很难准确地模拟份子和材料的性质。这通常会因满足多种需求而加剧，这些需求有时可能是矛盾的，甚至是相互排斥的，例如，需要催化剂既稳定又活跃。因此，关键是找到多种份子特色之间的最好权衡，以便给定的份子可以提供所需的功能。
找到这个最好点，首先需要确定份子结构与其各种特色之间的关系。为此，传统的份子安排格式依赖于手动构建的启发式格式和化学直觉。除了缓慢和艰巨之外，这些通常仅限于在较小的化学空间内相关的相对简单的结构-性质关系。
近年来，生成模型将这一化学挑战表述为逆向安排问题，已作为替代格式被引入，并已成为识别各种应用的新候选结构的日益强大的工具。
集中模型已成为许多生成任务的主要格式，例如图像、视频和文本生成。集中模型在化学领域也显示出了巨大的前景。然而，集中模型的全部功能尚未得到充分利用，因为这仍然是一个探索最少的领域。此外，现有的也执行前提生成的集中模型使用所谓的标准格式，这很难学习前提散布。它们还仅限于逐点目的，必须重新训练以添加新属性，并且无法在不同数据集上训练生成器和展望器。带领集中模型从前提散布中采样的能力尚未在化学环境中得到充分测试。
GaUDI 用于生成安排具备目的特色的份子
在此，研讨职员通过安排和实现带领集中模型 GaUDI 来弥补这一差距，用于生成安排具备目的特色的份子。
研讨职员使用两个预训练模型来安排份子：第一个是经过训练的生成集中模型，用于根据给定的数据散布生成无前提样本，第二个是经过训练的展望模型，用于展望份子特色。
与标准集中采样一样，集中模型从一些易于处理的噪声源中采样，然后迭代地对信号进行去噪；然而，与标准无前提模型相比，在 GaUDI 中，生成模型的中间输出被馈送到展望模型，该模型展望一组预定义的属性。然后，通过在每次迭代中添加校正项，使用这些属性的目的函数的梯度来指导采样过程。通过这种方式，集中生成偏向于具备低目的函数值（即最接近目的）的份子，这个过程相当于从具备几乎任意复杂前提的前提散布中采样。
图 1：生成流程。（来源：论文）
研讨展示了 GaUDI 在多环芳香族系统 (PAS) 用例中的性能，PAS 是由不同大小和原子组成的多个芳香环构成的份子。多环芳香族体系占已知份子的三分之二，是无机电子学的基石，因为它们构成了绝大多数无机半导体。因此，具备特定性能的新型 PAS 对于无机发光二极管、场效应晶体管、光伏和其他光电子学等先进技术至关重要。
在新生成的 475,000 PAS 数据集上进行训练后，GaUDI 在单目的生成任务和多目的生成任务中，无论是在有效性还是在平均误差方面都优于其他领先的集中模型。GaUDI 提供了具备最好特色的新型份子，甚至超出了原始数据集的散布。
图 2：具备高 HOMO– LUMO（HLG）值的 PAS 的带领安排。（来源：论文）
此外，当与环图 (Graph of Rings，GOR) 表示法一起使用时，GaUDI 生成的份子几乎 100% 都是有效的、新颖的和独特的。
表 1：无带领生成的性能。（来源：论文）
此外，与许多现有格式相反，GaUDI 提供了高目的函数多功能性，并且可以处理单个或多个属性的任何可微目的函数，包括开放式目的，例如，即使在先验未知的情况下，也可以找到目的属性的最小/最大值。
在该研讨中，研讨职员利用这一特征对通过廉价计算格式获得的数据进行 GaUDI 训练，尽管数值不同，但该格式捕获相同的结构-性质趋势。
图 3：窄带隙份子的带领安排。（来源：论文）
GaUDI 能够提出具备所需特色的新份子，甚至超出初始训练集中的特色，有助于加速许多感兴趣领域的份子安排和发现，包括但不限于无机电子学和光电子学。
未来的方向包括应用 GaUDI 安排功能化 PAS 和 peri-condensed PAS。与此同时，研讨职员还在探索一种替代格式，其中 GaUDI 将给定的子结构完善为具备目的特色的最终份子。
论文链接：https://www.nature.com/articles/s43588-023-00532-0