DiMOS框架实现免训练多目标科学设计
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对预训练掩码扩散模型在多目标科学设计中微调成本高、可行域小及黑盒奖励无梯度等难题，DiMOS提出免训练推理引导框架。该框架利用候选补全的联合奖励进行近似Doob引导局部重采样，并通过预算高效轨迹搜索聚焦有潜力的续写。在六项DNA、蛋白质和RNA任务中，该框架在相近生成时间内取得最高联合成功率，DNA与蛋白质任务上可达最强基线的1.98倍，同时保持高序列唯一性与自然度。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载多目标科学设计痛点
科学设计常需同时满足多项指标与约束。预训练掩码扩散模型虽能提供生成基础，但为迎合特定指标进行微调会带来额外训练开销，因此冻结参数的推理期引导成为更优选择。然而该思路面临两大阻碍：一是黑盒奖励模型与是非型约束无法提供有效梯度；二是多项要求并存致使可行区域极度狭窄，在有限推理预算内极难寻得合格设计。
Doob引导与轨迹搜索机制
DiMOS框架无需任何训练步骤，直接利用候选补全的联合奖励执行近似Doob引导的局部重采样，巧妙绕开了对奖励梯度的依赖。为在有限算力下提升搜索效率，该框架引入预算高效轨迹搜索机制，将计算资源集中分配给具有较高潜力的续写路径，从而在狭窄可行域中更精准地定位满足多目标的设计方案。
生物序列任务实证表现
研究在涵盖DNA、蛋白质与RNA的六项任务上对DiMOS进行验证。结果表明，在相近的生成耗时下，DiMOS实现了最高的联合成功率。其中，在DNA与蛋白质任务上，其联合成功率可达最强基线的1.98倍。同时，生成序列在展现高成功率之余，亦维持了高度的序列唯一性与自然度，证明该方法在多约束生成上的有效性与实用性。
为什么值得看
无需微调即可在多约束黑盒场景下大幅提升生物序列设计的联合成功率，对计算受限的科学设计极具实用价值。
微调
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。