进化式单步生成器：面向离散设计的快速多样化采样

arXiv:2610.08367v1 公告类型：新论文 摘要：分子发现等多种离散设计任务需要以较低的计算成本获得多样化的有用候选集合。仅有高有效率并不能保证候选库有用：反复生成相同的有效结构，只会留下少量不同的备选方案。兼顾可行性与多样性的训练具有挑战性，因为许多相关准则只能在硬解码之后进行评估。为应对这一挑战，我们提出 EGO（Evolutionary Generators with One-step inference），这是一个直接基于离散输出训练紧凑型生成器的框架。该方法将分布匹配与结构约束以及可选的多样性奖励或历史依赖奖励相结合，采用对偶低秩进化策略，无需针对特定准则构建可微代理函数。训练完成后，生成器只需进行一次神经网络计算即可生成整张图。在分子生成基准测试中，我们的紧凑型生成器在保持较高化学有效率的同时，每单位估算稠密运算量所产出的有效且唯一的候选数量超过近期单步流映射基线的 $50\times$。在骨架补全任务中，EGO 在生成并转换为 SMILES 的流程中，相较于 MoLeR 实测获得了 $44.3\times$ 的加速，并在相同的生成与筛选时间预算内产出约 $10\times$ 数量的通过筛选候选方案。在化学之外的领域，EGO 在 NAS-Bench-101 上生成的不同留出精英架构数量是松弛梯度训练方法的 $1.54\times$。较低的生成成本有望在各种离散设计任务中实现实时候选生成，支持对受约束设计空间的交互式探索，并快速构建用于下游评估的候选集合。