分子生成：生成模型VAE/GAN/扩散

可视化演示

对比VAE潜空间编码、GAN对抗训练与扩散逐步去噪三种分子生成范式，理解其原理与适用场景。

模型纵览

烘焙坊刚开张时，你只招了一位“全能师傅”。可是很快发现，不同的客户对分子有不同的期待：有人想要“中间态”的过渡分子，有人想要“以假乱真”的逼真分子，还有人想要“结构精致”的稳定分子。一位师傅根本忙不过来。于是你决定把“生成分子”这件事拆解成共同的任务：先学会“什么样的分子常见”，再根据这份“分布直觉”捏出新的候选分子。这就是生成模型（Generative Model）的基本目标——学习真实数据的概率分布，然后从中采样出新样本。

在 AI 术语里，我们把分子数据集看作来自某个未知分布 p_data(x) 的样本。生成模型要做的就是练出一个参数化的 p_θ(x)，让 θ 尽量贴合真实分布。顾城看，采样一个新分子，就是在 p_θ(x) 上抽一次签。VAE 用“先压缩再展开”的方式逼近这个分布；GAN 用“造假与打假”的博弈逼近；扩散模型则用“从噪声到结构”的雕琢过程逼近。三种方式没有绝对优劣，只有擅长与不擅长。

说到底，三位主厨的目标都是让自家菜单尽量贴近客户真实口味，只是“手艺路径”不同。接下来，我们挨个走进后厨，看看他们的独门绝活。

VAE潜空间

第一位主厨“配方压缩师”的工作台边摆满了厚厚一摞配方卡。他不直接背下整张配方，而是把“甜度、酸度、油脂比例、烘烤时间”等关键信息浓缩成一串极短的风味代码 z。以后想创作新分子时，他只需改动代码里某个数字，就能得到“七分像 A、三分像 B”的过渡配方。这套流程对应变分自编码器（VAE）：编码器把高维分子 x 压成低维潜变量 z，解码器再把 z 还原成分子。

然而直接让网络输出一个随机采样的 z 会卡住梯度——随机采样那一环无法求导。于是 VAE 用了一个巧妙的“重参数化技巧”：先把编码器输出为均值 μ 和方差 σ²，然后让 z = μ + σ·ε，其中 ε 是标准正态随机噪声。这样一来，随机性全来自 ε，而 μ 和 σ 仍可正常求导，模型就能用反向传播训练了。

训练时 VAE 希望做到两件事：一是解码出来的分子尽量还原原始输入，二是潜变量 z 的分布尽量接近标准正态，保证潜空间连续、可插值。因此总损失由“重建误差”和“KL 散度”两部分组成。

VAE 的优点是训练稳定、潜空间连续，特别适合在已知分子之间做“插值创作”；缺点是重建出的分子往往有些“模糊”，细节不够锐利。就像配方压缩师能做出一款“甜酸均衡”的新品，但要说惊艳，还差点意思。

GAN对抗训练

第二位主厨是个“毒舌师徒组合”：师父负责不断端出创新分子，徒弟则扮演最挑剔的食客，一口就能尝出“这是师父仿冒的，不是客户要的真货”。两人就这样日复一日地博弈——师父的造假水平越来越高，徒弟的鉴别能力也越来越强。最终师父端出的分子足以以假乱真。这就是生成对抗网络（GAN）的核心思想。

在技术层面，生成器 G 从噪声 z 中制造假样本，判别器 D 则判断输入是来自真实数据集还是 G 生成出来的。G 的目标是骗过 D，D 的目标是识别出假货。两者形成了经典的“最小最大博弈”（min-max game）。

GAN 的优势是生成样本细节锐利、视觉/结构上非常逼真；但代价是训练不稳定，容易出现“模式坍塌”——师父只顾做一款能骗过徒弟的分子，导致生成结果缺乏多样性。就像一位厨师反复只做同一道“压轴菜”来应付挑嘴徒弟，客人却吃不到其他花样的甜点。

扩散去噪

第三位主厨是位冰雕大师。他面前不是模具，而是一块充满气泡和冰碴的杂乱冰块。他做的事非常朴素：每一小步只“优化一点点”——先把大体轮廓从噪声里分离出来，再慢慢削出官能团、键角与空间构型，直到冰块变成一尊晶莹剔透的分子雕塑。这就是扩散模型（Diffusion Model）的思路。

扩散模型有两个方向。前向过程：不断往真实分子 x₀ 上叠加高斯噪声，经过 T 步后变成纯噪声 x_T，就像把雕塑打碎成一堆冰屑。逆向过程：训练一个神经网络 p_θ，学会每一步“少加一点噪声、多恢复一点结构”，从而从纯噪声 x_T 一步步倒推出 x₀。训练时我们已知每一步的真实噪声，因此可以构造出清晰的回归目标。

前向过程是一个线性加噪的马尔可夫链：

扩散模型的优点是生成质量高、细节丰富，尤其适合 3D 分子坐标等复杂结构；缺点是采样需要迭代几十到上千步，速度比 VAE 和 GAN 慢。这就像冰雕大师虽然作品精美绝伦，但顾客必须耐心等待他慢慢雕刻。

分子表示方法

烘焙坊的菜单要用什么方式记录？这决定了三位主厨怎么读配方。分子世界也有三种主流“记谱法”。第一种是 SMILES 序列，把分子写成一行字符串，例如乙醇写作 CCO，就像一句话菜谱，适合用 RNN、Transformer 这类序列模型处理。第二种是 分子图，把原子看作节点、化学键看作边，保留拓扑连接，适合图神经网络（GNN）编码。第三种是 3D 坐标，直接记录每个原子的空间位置，适合扩散模型去建模几何结构。

分子表示不是小事——你给主厨的“配方格式”决定了他能用哪套手艺。若把分子当成字符串送给 GNN，等于把菜谱拆成汉字丢给只会看图的厨师，两者都别扭。

在实际项目中，我们常把“表示”和“模型”配对使用：SMILES 配序列 VAE 或 Transformer，分子图配 GNN-VAE，3D 坐标则常用扩散模型。选对配方格式，主厨才能发挥全部实力。

应用场景选择

当三位主厨都练就了拿手菜，你作为老板，需要考虑“什么时候请谁出马”。这就像新药研发项目开场时的模型选型：需求不同，预算不同，答案也不同。若客户想要一批“介于两个已知活性分子之间”的候选物，VAE 的潜空间插值是最自然的选择；若客户想要“看起来真实度极高”的分子图片或结构，GAN 的对抗打磨更合适；若客户在意“分子 3D 构型的严谨细节”，扩散模型 虽然慢，却最能保证质量。

实际工作里往往还要叠加一个“打分器” f(x)，用来评估分子的药效、溶解度或材料强度。无论选哪个生成模型，都可以在潜空间里做带约束的优化：

选模型没有银弹，只有更清晰的业务问题：多快、多真、多稳。记住烘焙坊的座右铭——“按客人的需求选主厨，而不是按主厨的心情定菜单”。

AI 应用场景

Python 演示

import torchimport torch.nn as nnimport torch.nn.functional as F  class MoleculeVAE(nn.Module):    """用 PyTorch 实现的最简分子向量 VAE"""     def __init__(self, dim=32, z_dim=4):        super().__init__()        self.z_dim = z_dim        self.encoder = nn.Linear(dim, z_dim * 2)        self.decoder = nn.Linear(z_dim, dim)     def forward(self, x):        h = self.encoder(x)        mu, logvar = h[:, :self.z_dim], h[:, self.z_dim:]        std = torch.exp(0.5 * logvar)        z = mu + std * torch.randn_like(mu)   # 重参数化        x_hat = self.decoder(z)        return x_hat, mu, logvar     def sample(self, n):        z = torch.randn(n, self.z_dim)        return self.decoder(z)  def loss_fn(x_hat, x, mu, logvar):    recon = F.mse_loss(x_hat, x)    kl = -0.5 * (1 + logvar - mu.pow(2) - logvar.exp()).sum(1).mean()    return recon + 0.01 * kl  def train(model, data, epochs=50, lr=1e-3):    opt = torch.optim.Adam(model.parameters(), lr=lr)    for epoch in range(epochs):        model.train()        x_hat, mu, logvar = model(data)        loss = loss_fn(x_hat, data, mu, logvar)        opt.zero_grad()        loss.backward()        opt.step()        if (epoch + 1) % 10 == 0:            print(f"epoch {epoch + 1}/{epochs} loss={loss.item():.4f}")  if __name__ == "__main__":    torch.manual_seed(0)    N, DIM = 64, 32    data = torch.bernoulli(torch.full((N, DIM), 0.4)).float()    vae = MoleculeVAE(dim=DIM, z_dim=4)    train(vae, data)    fake = vae.sample(8)    print("生成的新分子指纹：")    print(torch.sigmoid(fake).round().int().numpy())

1. mu, logvar = h[:, :self.z_dim], h[:, self.z_dim:]编码器输出前一半作均值、后一半作对数方差，得到潜变量分布。
2. z = mu + std * torch.randn_like(mu)重参数化技巧，让随机采样可求导。
3. x_hat = self.decoder(z)从潜变量还原分子向量，模拟“风味代码 → 成品配方”。
4. recon = F.mse_loss(x_hat, x)重建误差，衡量还原质量。
5. kl = -0.5 * (1 + logvar - mu.pow(2) - logvar.exp()).sum(1).mean()KL 散度，让潜空间逼近标准正态。
6. recon + 0.01 * kl在“还原精度”和“潜空间规整”之间取平衡。
7. fake = vae.sample(8)从标准正态先验采样 8 个新分子向量，展示生成能力。

常见误区

面试题