分子生成：性质约束生成

可视化演示

展示性质约束分子生成三种策略：条件扩散去噪过程注入性质向量、分类器引导梯度采样、约束强度与有效性权衡曲线，切换步骤查看。

约束注入策略

订单可以在三个时刻介入烘焙。第一种，顾客提前把要求写进配方，师傅照着配方从头做；第二种，烤到一半师傅试吃，根据口味偏差往盆里补料；第三种，把所有蛋糕烤完，拿糖度计逐个量，不合格的扔掉。三种方式都能让成品靠近订单，但效率和成本天差地别。性质约束生成做的正是类似的事——所谓“约束注入策略”，指的是把目标分子性质（溶解度、带隙、结合能等）嵌入生成流程的方式。

条件注入把性质作为生成模型的额外输入，让网络“知道订单再开工”；引导注入在采样过程中用性质的梯度不断修正中间产物，像边烤边尝；后置筛选则先无差别生成，再按性质阈值过滤。后置筛选实现最简单，但面对指数级膨胀的候选空间，命中率低得可怜，好比把全城蛋糕店都烤完也未必找得到订单要的那款。条件注入让生成分布在源头就向目标偏移，是当前主流；引导注入更灵活，但要额外训练性质预测器。

$$\displaystyle \mathcal{J}(\theta) = \mathbb{E}_{M \sim p_\theta(\cdot \mid P)} \left[\, s_{\text{prop}}(M) \cdot s_{\text{valid}}(M) \,\right]$$

1. 目标函数符号：这是评价生成效果的总分数，数值越大代表“定制配方”越好。

$$\displaystyle \mathcal{J}(\theta)$$

2. 期望符号：表示对所有可能生成的分子取平均，相当于统计师傅做一百个蛋糕的平均达标率。

$$\displaystyle \mathbb{E}$$

3. 条件分布：竖线右边是订单 P，左边是生成的分子——“知道订单之后的生成分布”。

$$\displaystyle M \sim p_\theta(\cdot \mid P)$$

4. 性质分数：分子 M 的性质与目标 P 的接近程度，满分 1 代表完全命中。

$$\displaystyle s_{\text{prop}}(M)$$

5. 有效性分数：分子 M 化学上是否合法，合法为 1，否则为 0，像质检章一样一票否决。

$$\displaystyle s_{\text{valid}}(M)$$

三种注入方式的取舍，就像蛋糕工坊对“订单介入时机”的取舍：介入越早，生成越定向，但配方越难中途改；介入越晚，越灵活，但浪费越多。现实中的系统往往是混着用——配方定制加中途微调，后置筛选只当最后一道质量门。

条件扩散模型

蛋糕不是凭空变出来的。师傅从一盆面粉糊开始，经过搅拌、注模、烘烤、冷却，一步步“去噪”成蓬松的成品。分子生成也类似——扩散模型从一团几乎全是噪声的“生面糊”出发，经过成百上千步去噪，逐渐显露出原子排列和化学键。而“订单”（目标性质）就贴在搅拌盆上，每一步去噪都要看它一眼。这就是条件扩散模型：把性质条件 y 喂进去噪网络，让生成过程自始至终被订单牵引。

扩散模型分两个方向。前向过程（加噪）把干净分子 x₀ 逐步变成纯噪声，像一个蛋糕被慢慢搅回面粉糊，这个过程不需要学习；逆向过程（去噪）学习如何从噪声一步步恢复分子，同时把 y 作为输入条件。条件 y 的编码方式也有讲究——可以是性质数值的嵌入向量，也可以是目标分子片段的结构编码。条件编码越“贴题”，去噪过程就越像师傅边烤边瞄着订单。

$$\displaystyle \min_\theta \; \mathbb{E}_{t, x_0, y, \epsilon}\; \left\|\, \epsilon - \epsilon_\theta\!\left(\sqrt{\bar{\alpha}_t}\, x_0 + \sqrt{1-\bar{\alpha}_t}\,\epsilon,\; t,\; y\right) \right\|^2$$

1. 时间步：指加噪进行到第几步，类似蛋糕烤到第几分钟，决定“现在是面糊还是接近成品”。

$$\displaystyle t$$

2. 带噪分子：干净分子 x₀ 与纯噪声 ε 的加权混合，t 越大噪声占比越高，t=0 时就是原始分子。

$$\displaystyle x_t = \sqrt{\bar{\alpha}_t}\, x_0 + \sqrt{1-\bar{\alpha}_t}\,\epsilon$$

3. 条件去噪网络：以带噪分子、时间步、订单 y 为输入，输出预测噪声，是这块蛋糕的“核心配方”。

$$\displaystyle \epsilon_\theta(x_t, t, y)$$

4. 均方误差：预测噪声与真实噪声的平方距离，越小说明去噪越准，训练就是在压这个数。

$$\displaystyle \left\|\, \epsilon - \epsilon_\theta(\cdot) \right\|^2$$

训练完成后，采样生成就是从纯噪声出发，按学习到的条件去噪方向一步步走回分子空间。每一步都问一遍“订单要我生成什么”，最终落地的分子自然带着目标性质的痕迹。这正是“订单写进每一步”在算法层面的实现。

属性引导采样

只把订单贴在搅拌盆上还不够。真正的手艺，在于烘烤中段的“试吃调整”：师傅尝一口，觉得不够甜就补糖，太甜就加点面粉。生成分子同样可以被“尝”——用一个性质预测器对中间产物打分，算出“距离订单还差多少”，再沿着改进方向推一把。这个改进方向，数学上叫梯度。属性引导采样就是在去噪的中间步骤，用性质的梯度不断修正生成方向。

引导采样分两派。分类器引导需要额外训练一个性质预测模型 p(y|x_t)，采样时计算它对 x_t 的梯度来修正，像请了一位专职“试吃员”；无分类器引导更巧妙：训练时随机把条件 y 置空，让同一个网络既会“看订单做”也会“不看订单做”，采样时同时跑两条路，用两者之差充当引导方向——相当于同一个师傅，左手拿订单、右手不拿订单，对比两次手法差异来体会订单到底改变了什么。

$$\displaystyle \tilde{\epsilon}_\theta = \epsilon_\theta(x_t, \varnothing) + s \cdot \left[\, \epsilon_\theta(x_t, y) - \epsilon_\theta(x_t, \varnothing) \,\right]$$

1. 无条件预测：不看订单时的去噪方向，相当于师傅的默认手艺。

$$\displaystyle \epsilon_\theta(x_t, \varnothing)$$

2. 有条件预测：看过订单后的去噪方向，默认手艺加上订单修正。

$$\displaystyle \epsilon_\theta(x_t, y)$$

3. 引导增量：两个方向的差——“订单让师傅改了多少”，是引导的核心信号。

$$\displaystyle \epsilon_\theta(x_t, y) - \epsilon_\theta(x_t, \varnothing)$$

4. 引导强度：放大或压缩这份修正量的旋钮，s 越大越听话，但也越可能“用力过猛”。

$$\displaystyle s$$

引导强度是一把双刃剑。s 太小，分子性质容易跑偏，订单形同虚设；s 太大，分子可能被推出合理的化学空间，变成“味道对了但造型塌了”的蛋糕。如何选择 s，正是下一节“分子有效性”要回答的问题。

分子有效性

工坊里最尴尬的场面：低糖做到了，蛋糕却塌成一摊。性质命中的前提，是分子本身“成立”——原子按化学规则成键、空间构象不冲突、合成路线真实存在。有效性是约束生成的第一道质检，它通常包含三关：化学价约束（碳四价、氧二价，键不能多也不能少）、构象合理（三维结构中原子不重叠、键角正常）、可合成性（逆合成分析能找到原料和路径）。

$$V = \frac{1}{N} \sum_{i=1}^{N} \mathbb{I}\big[\, M_i \in \mathcal{M}_{\text{valid}} \,\big]$$

1. 有效性集合：所有化学上合法的分子组成的集合，相当于“合格蛋糕”的圈子。

$$\displaystyle \mathcal{M}_{\text{valid}}$$

2. 示性函数：括号里的判断成立返回 1，否则返回 0，像质检员逐个盖章。

$$\displaystyle \mathbb{I}[\cdot]$$

3. 求和与平均：对 N 个生成分子的质检结果求平均，得到有效的比例。

$$\displaystyle \frac{1}{N} \sum_{i=1}^{N}$$

有趣的是，约束注入和有效性互相牵制：条件注入能让性质更准，但过度拟合订单也会让网络生成“奇形怪状”的分子——键价错乱、原子重叠。因此，报告实验结果时，有效性和命中率必须成对出现，缺一不可。提升有效性本身，也被单列为一条重要的优化方向。

命中率评估

蛋糕做出来、形状没塌，就算完事了吗？顾客要低糖，含糖量超标十倍照样退货。分子生成也一样：有效性通过之后，还要看性质是否真正命中目标区间。命中率回答的是“生成的一批分子里，有多少个的性质落在目标范围”。它和有效性是两把互补的尺子：有效性管“能不能用”，命中率管“好不好用”。

$$\displaystyle H = \frac{1}{N} \sum_{i=1}^{N} \mathbb{I}\big[\, \left| \hat{p}(M_i) - P^{\ast} \right| \le \delta \,\big]$$

1. 目标值：订单要求的性质数值，比如溶解度不低于某个阈值。

$$\displaystyle P^{\ast}$$

2. 预测值：模型估算出的分子性质，是“试吃员”报出的口味数据。

$$\displaystyle \hat{p}(M_i)$$

3. 偏差与容差：只要偏差绝对值不超过 δ 就算达标，δ 越大越宽松。

$$\displaystyle \left| \hat{p}(M_i) - P^{\ast} \right| \le \delta$$

4. 命中比例：N 个分子里达标的比例，这是给老板看的核心 KPI。

$$\displaystyle \frac{1}{N} \sum_{i=1}^{N} \mathbb{I}[\cdot]$$

基线对比时，通常用“随机生成 + 后置筛选”当对照组。约束生成的优势在于：同样的生成数量下，命中率往往成倍提升。但也要警惕“命中率虚高”——如果性质预测器本身不准，命中的分子拿去实验照样翻车。预测器的误差分析因此成为评估报告中必讲的一页，指标权衡（松一点 δ 还是紧一点）也考验研究者的判断。

优化方向

工坊接到大订单后要琢磨三件事：怎么烤得更快、怎么保证每炉品质稳定、怎么同时满足“低糖、高蛋白、好看”这三个互相打架的要求。这三个方向正是性质约束生成当前的优化主线。首先是采样加速：标准扩散要上千步去噪，像盯着一块蛋糕烤一整夜；蒸馏技术把几百步压缩到几步，代价是精度略降。其次是生成稳定：抑制随机种子带来的方差，让同一订单每次出品都接近。最后是多目标均衡——现实订单从不止一条性质，低糖可能牺牲口感，高强度可能牺牲柔性。

$$\displaystyle \mathcal{L} = \mathcal{L}_{\text{gen}} + \lambda_1 \mathcal{L}_{\text{prop}} + \lambda_2 \mathcal{L}_{\text{valid}}$$

1. 生成损失：负责分子整体结构的合理性，是师傅的基本功。

$$\displaystyle \mathcal{L}_{\text{gen}}$$

2. 性质损失：负责命中的性质偏差，越接近订单越好。

$$\displaystyle \mathcal{L}_{\text{prop}}$$

3. 有效性损失：负责化学合法性，保证分子不“塌方”。

$$\displaystyle \mathcal{L}_{\text{valid}}$$

4. 平衡权重：两个 λ 控制三个目标的主次关系，总原则是先保证有效性不为零，否则性质再准也是空中楼阁。

$$\displaystyle \lambda_1, \lambda_2$$

除了算法层面的优化，人机协同也在兴起：让化学家把经验性约束（“这个官能团太难合成，别用”）以规则形式注入生成过程，AI 负责检索组合，人负责把关常识。这就像老师傅带徒弟——算法管效率，人管品味。

实验验证

光说不练是假把式。工坊要开品鉴会，用同一批面粉、同一个烤箱，把新配方和老配方放在一起烤，由盲测评委打分。实验验证做的就是这件事：在公开数据集上，用统一指标，对比约束生成和基线方法。分子生成领域常用 QM9（小分子性质数据集）和 ZINC（药物分子库）做基准，评测指标就是前面讲的有效性 V 和命中率 H，外加性质误差 MAE。消融实验是品鉴会的重头戏：把条件注入去掉、把引导去掉、把有效性质检去掉，逐项看哪一步贡献最大。

$$\displaystyle \Delta = \frac{H_{\text{ours}} - H_{\text{base}}}{H_{\text{base}}} \times 100\%$$

1. 新方法命中率：本文方法的性质命中率，是待检验的“新配方”。

$$\displaystyle H_{\text{ours}}$$

2. 基线命中率：对照组（随机生成加后置筛选）的命中率，是“老配方”。

$$\displaystyle H_{\text{base}}$$

3. 相对提升比：两者之差除以基线，再乘 100%，得到百分比形式的提升幅度。

$$\displaystyle \frac{H_{\text{ours}} - H_{\text{base}}}{H_{\text{base}}} \times 100\%$$

大量公开实验显示：条件扩散 + 属性引导的组合，命中率比纯后置筛选高出数倍，且不会牺牲太多有效性。但研究者也坦承，合成验证仍是薄弱环节——性质在计算机里命中了，实验室里能不能做出来，才是真正的终审。这也是“结果分析”里总少不了一句“有待湿实验验证”的原因。

应用前景

品鉴会大获成功后，工坊决定把定制流程复制到更多市场：有人要无麸质，有人要低脂，有人要特定造型。性质约束生成的“市场”同样广阔——只要能写出性质打分规则，就能定向生成候选。最热的两大市场是新材料发现（电池电解质、催化剂、光伏材料）和药物分子设计（先导化合物优化）。在材料信息学的大闭环里，生成模型负责“出题”，高通量计算和实验负责“验题”，实验数据回流再训练，形成“生成—打分—实验—反馈”的加速循环。

$$\displaystyle \text{Speedup} = \frac{N_{\text{brute}}}{N_{\text{gen}} \cdot r_{\text{hit}}}$$

1. 暴力候选数：传统随机筛选需要尝试的候选分子总数，可能高达百万级。

$$\displaystyle N_{\text{brute}}$$

2. 生成候选数：约束生成实际产出的候选数量，通常只有前者的零头。

$$\displaystyle N_{\text{gen}}$$

3. 命中率：候选里真正达标者的比例，是“出题质量”的体现。

$$\displaystyle r_{\text{hit}}$$

4. 加速倍数：三者相除得到研发提速的倍数，是写给投资人看的数字。

$$\displaystyle \frac{N_{\text{brute}}}{N_{\text{gen}} \cdot r_{\text{hit}}}$$

前景不等于坦途。性质预测器的误差、可合成性验证、实验闭环的成本，都是这座“定制蛋糕工厂”要翻过的坎。但方向已经清晰：让 AI 从“会生成分子”进化到“按订单生成分子”，这正是材料信息学从论文走向产业的关键一跃。

AI 应用场景

Python 演示

import mathimport random  class PropertyConstrainedGenerator:    """简化版性质约束生成: 用目标感知的梯度引导模拟条件扩散"""     def __init__(self, seed=42):        random.seed(seed)        # 内部候选分子库, 每个"分子"用4维特征表示        self.library = [            [0.90, 0.10, 0.20, 0.80],            [0.70, 0.30, 0.50, 0.60],            [0.20, 0.80, 0.90, 0.10],            [0.50, 0.50, 0.40, 0.50],            [0.85, 0.15, 0.10, 0.90],            [0.10, 0.90, 0.85, 0.20],            [0.60, 0.40, 0.60, 0.40],            [0.30, 0.70, 0.70, 0.30],        ]     def property_score(self, z):        """简化水溶性评分: 极性项加分, 疏水交叉项减分"""        return 0.7 * z[1] + 0.3 * z[2] - 0.4 * z[0] * z[3]     def is_valid(self, z):        """简化有效性: 特征不越界且极性特征适中"""        ok_range = all(0.05 <= v <= 0.95 for v in z)        return ok_range and 0.2 <= z[1] <= 0.85     def grad_property(self, z):        """性质评分对特征向量的解析梯度"""        return [-0.4 * z[3], 0.7, 0.3, -0.4 * z[0]]     def guided_sampling(self, target=0.75, steps=60, lr=0.2):        """从噪声出发, 沿"靠近目标"的方向引导去噪"""        z = [random.uniform(0.0, 1.0) for _ in range(4)]        for _ in range(steps):            grad = self.grad_property(z)            norm = math.sqrt(sum(g * g for g in grad)) + 1e-9            gap = target - self.property_score(z)            for i in range(4):                z[i] += lr * gap * grad[i] / norm            z = [max(0.0, min(1.0, v)) for v in z]        return z     def nearest_molecule(self, z):        """把连续向量映射回最近的离散候选分子"""        best, best_d = None, float("inf")        for m in self.library:            d = sum((a - b) ** 2 for a, b in zip(z, m))            if d < best_d:                best, best_d = m, d        return best     def evaluate(self, n_samples=60, target=0.75, guided=True):        """统计生成分子的有效性与性质命中率"""        valid_count, hit_count = 0, 0        for _ in range(n_samples):            if guided:                z = self.guided_sampling(target)            else:                z = [random.uniform(0.0, 1.0) for _ in range(4)]            m = self.nearest_molecule(z)            if self.is_valid(m):                valid_count += 1                if abs(self.property_score(m) - target) <= 0.1:                    hit_count += 1        return valid_count / n_samples, hit_count / n_samples  def main():    gen = PropertyConstrainedGenerator(seed=42)    for guided in (True, False):        valid, hit = gen.evaluate(guided=guided)        mode = "guided" if guided else "random"        print("[%s] validity=%.0f%% hit_rate=%.0f%%" % (mode, valid * 100, hit * 100))  if __name__ == "__main__":    main()

1. self.library = [...]内部候选分子库，相当于“食材库存”，生成结果最终要映射回这些候选
2. return 0.7 * z[1] + 0.3 * z[2] - 0.4 * z[0] * z[3]性质打分器，模拟水溶性预测：极性项加分、疏水交叉项减分
3. def grad_property(self, z):返回性质对特征的解析梯度，是“试吃后该往哪个方向调整”的依据
4. gap = target - self.property_score(z)目标差距：性质偏低时为正（需要补），偏高时为负（需要减）
5. z[i] += lr * gap * grad[i] / norm引导更新：沿性质上升方向迈步，靠近目标后自动停止
6. z = [max(0.0, min(1.0, v)) for v in z]投影回 [0,1] 有效区间，相当于蛋糕不能烤糊
7. def nearest_molecule(self, z):把连续特征向量映射回最近的离散候选分子
8. if abs(self.property_score(m) - target) <= 0.1:命中判定：与目标偏差不超过容差 δ 才算达标
9. for guided in (True, False):对照实验，分别统计引导与无引导的效果，相当于盲测品鉴会

常见误区

面试题