DiMOS：面向科学设计的 Doob 引导推理时多目标搜索

科学设计通常需要同时满足多个目标和约束。预训练的掩码扩散模型为此类任务提供了生成基础，但对其进行微调以满足这些目标和约束会带来额外的训练成本，因此人们开始探索使用冻结模型在推理时进行引导。然而，这种引导面临两项挑战：通过与否的约束和黑盒奖励模型可能无法提供有用的梯度，而同时满足多个要求可能导致可行区域很小，使得在有限的推理预算内难以找到可行设计。为应对这些挑战，我们提出了 DiMOS，一种无需训练的多目标科学设计框架。DiMOS 利用候选补全的联合奖励，执行近似的 Doob 引导局部重采样，而无需奖励梯度。为高效分配计算资源，它采用预算高效的轨迹搜索，将计算集中于有希望的后续序列。在 DNA、蛋白质和 RNA 的六项任务中，DiMOS 在相当的生成时间下取得了最高的联合成功率；在 DNA 和蛋白质任务上，其性能最高达到最强基线的 1.98 倍，同时保持了较高的序列独特性和自然性。