临界质量：结构不相交划分随其所基于的分子库而漂移

arXiv:2610.12694v1 公告类型：新论文 摘要：分子机器学习使用结构不相交划分来评估分布外性能，其构建规则在最初制定时便被固定在当时分子库的规模上：对成对距离设定阈值，再将完整的连通分量分配到各折中。在根据质谱预测结构的任务中，该领域已普遍采用基于短视的最大公共边子图（MCES）距离、阈值为 10 的单链接聚类。这一惯例是在 29,000 个分子的规模上确立的，但如今公共分子库已包含 227,690 个分子。每对分子的 MCES 计算都是 NP-hard 问题，而分子对的数量又呈平方增长，因此这一准则从未在如此规模上得到评估。我们提出了该准则的优化版本，使其能够以计算上可行的方式应用于公共分子库：通过可容许界和并查集跳过策略，将 $2.6 \times 10^{10}$ 个分子对的计算缩减为仅 $1.15 \times 10^{7}$ 个整数规划问题，计算量减少至原来的 $1/2{,}259$，同时可证明所得划分完全无损。我们发现，在这一规模下，图发生了渗流。单个连通分量包含分子库中 $95.5\%$ 的分子，使任何测试集的占比上限仅为 $4.5\%$。剩余部分不仅规模更小，还存在系统性差异：留出化合物的分子量有 88.1\% 的概率大于训练化合物，因为固定的绝对差异预算对较大分子意味着更严格的相对容差。因此，在大型分子库基准测试中直接使用这一划分规则，会将结构新颖性与向更大、更复杂化学结构的外推混为一谈。