用于化学中生成模型和基础模型的高阶分子文法

arXiv:2610.02186v1 公告类型：新 摘要：分子学习模型在很大程度上受到其底层表示的影响。然而，标准的序列形式化和图形式化难以显式编码环系统和反复出现的基元等高阶拓扑结构。现有的高阶表示能够直接捕捉这些结构，但通常计算开销较大，并且难以解码为有效分子。在此，我们提出高阶文法表示（Higher-order Grammar Representation，HGR），这是一种具有严格原理且感知拓扑的框架，可将分子提升为组合复形，并依据上下文无关高阶文法，将每个复形解析为紧凑的生成规则序列。通过将高阶拓扑序列化为规则序列，HGR使这些结构能够直接兼容标准序列模型，在保留拓扑表达能力的同时，避免显式高阶编码带来的计算开销。为减少基准测试对简单环系统的偏向，我们构建了RingDiv，这是一个包含118万种分子的富环基准数据集，其中包括经过整理的RingDiv300k子集；同时引入环多样性指数（RDI），用于量化环系统覆盖范围。在分子生成方面，基于HGR的模型独特地将由构造保证的100%有效性与领先的分布对齐能力结合起来，并在全部五项生成基准测试中均以FCD排名第一。在表示学习方面，HGR-FM在七项MoleculeNet基准测试中、两种迁移协议下均取得最高平均AUC；在探测和完全微调设置下，分别比最强基线提升8.3和3.3个AUC点。总体而言，这些结果表明，HGR是一种高效的高阶表示，适用于分子生成和可迁移表示学习。