想象有一家专接“造分子”单子的设计工作室。老板的抽屉里锁着一沓老图纸，都是客户用过的、性能不错的分子结构。这天，一家电池厂下了新订单：要一种更轻、更安全的电解质分子。老板翻遍抽屉，没有现成答案——他需要设计师“凭空画”出新结构。工作室里恰好有三位风格迥异的设计师：档案管理师老蓝，把所有老图纸浓缩成一本密码本，抽一个密码就能解压出一张新图纸；仿造师小仿和鉴定师老鉴，一个拼命画赝品，一个拼命挑破绽，两人越斗赝品越逼真；还有雕塑家小凿，不打草稿，只从一团灰扑扑的毛坯开始，一刀一刀雕出分子骨架。这三位，就是分子生成领域的三类主流生成模型：VAE、GAN 和扩散模型。它们不做预测，而是学习“合理分子长什么样”，然后创作出从未出现过的新分子。本文就带你走进这座工作室，看三位设计师怎么干活、各有何短板，以及老板如何用一套质检标准给他们打分。

岗位关联

理解生成模型，等于握住“AI 造物”的引擎。对 AI 从业者而言，这是把机器学习从“打分数”升级为“画新图”的核心能力，也是新材料与药物研发加速的关键。

目录
  1. 可视化演示
  2. 生成任务定义
  3. VAE生成架构
  4. GAN生成架构
  5. 扩散模型架构
  6. 有效性控制策略
  7. 生成质量评估
  8. 应用前景展望
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

对比VAE、GAN与扩散模型在分子空间中的生成效果，散点展示采样分子分布，绿点代表化学有效分子。切换模型观察生成质量与化学有效性差异。

本节配有交互动效（进入视口后自动加载，约 3KB）。

分子生成模型 有效分子 无效分子 z→分子 潜空间采样

生成任务定义

工作室的订单本上写着“更轻的电池电解质”，可老板翻遍老图纸也没有现成答案。预测模型像老员工，只能给已有图纸打分数；生成模型则是设计师，要“无中生有”画出新图纸。这就是生成任务：先学会老图纸的规律，再创作新图纸。

画图纸要有符号系统。分子领域最常用的符号是 SMILES——一串字符，比如乙醇写作 CCO，就像图纸上的标注线。生成模型学习的是“合理分子长什么样”的概率分布 p_data(s)，训练目标是让模型自己的分布 p_theta(s) 逼近它，这样新采样出的分子才“像那么回事”。

学好了分布，就能从中采样出全新分子。目标函数的本质是缩小两个分布的差异——KL 散度，它像一把尺子量出“模型画的”与“真实数据”差多远。生成与预测天然互补：生成模型出图，预测模型评图，形成一个“设计—评估”闭环。

θ∗=arg⁡min⁡θDKL(pdata(s) ∥ pθ(s))\displaystyle \theta^{*} = \arg\min_{\theta} D_{\text{KL}}\big(p_{\text{data}}(\boldsymbol{s}) \,\big\|\, p_{\theta}(\boldsymbol{s})\big)
老板需要的不是“会估价的老师傅”，而是“会画新图纸的设计师”。从这一单开始，三位设计师轮番上阵。
  1. 分子表示 sSMILES 字符串或分子图是分子的“图纸语言”，生成模型的输入输出都用它。
    s∈S\boldsymbol{s}\in\mathcal{S}
  2. 数据分布 p_data老图纸集中分子的经验分布，代表“合理分子长得像什么”。
    pdata(s)p_{\text{data}}(\boldsymbol{s})
  3. 模型分布 p_theta神经网络定义的、可采样的分布，是要训练的“新设计师”。
    pθ(s)p_{\theta}(\boldsymbol{s})
  4. KL 散度度量两个分布差异的尺子，训练就是让这把尺子的读数尽量小。
    DKL(p ∥ q)=∫p(s)log⁡p(s)q(s) dsD_{\text{KL}}(p\,\|\,q)=\int p(\boldsymbol{s})\log\frac{p(\boldsymbol{s})}{q(\boldsymbol{s})}\,d\boldsymbol{s}

VAE生成架构

档案管理师老蓝的做法是把所有老图纸压缩进一本密码本：每张图纸对应一个密码向量 z，密码相近的图纸风格也相近。接到新单时，他随手抽一个密码，解压出一张新图纸。

这套流程的技术名是变分自编码器（VAE）。编码器把分子 x 压成一个低维向量 z（潜空间），解码器再从 z 还原成分子。潜空间是连续的“设计语义空间”，在这里随意游走，就能得到结构连续变化的新分子。

训练损失分两项：重建项保证“解压不走样”；KL 正则项把编码出的密码都拉向标准正态分布，让密码本整齐均匀，抽任何一点都能解压出合理分子。不过 SMILES 是离散字符，解码器逐个出字符时可能吐出非法序列，需要语法约束兜底。

L(θ,ϕ)=Eqϕ(z∣x)[log⁡pθ(x∣z)]−DKL(qϕ(z∣x) ∥ N(0,I))\displaystyle \mathcal{L}(\theta,\phi) = \mathbb{E}_{q_\phi(\boldsymbol{z}\mid\boldsymbol{x})}\big[\log p_\theta(\boldsymbol{x}\mid\boldsymbol{z})\big] - D_{\text{KL}}\big(q_\phi(\boldsymbol{z}\mid\boldsymbol{x}) \,\big\|\, \mathcal{N}(0,\boldsymbol{I})\big)
老蓝的密码本编得越规整，随机抽签的“中标率”越高——但解压偶尔出错，他得靠一本语法手册来修正。
  1. 编码器 q_phi输入分子，输出潜变量的概率分布，对应“写密码”环节。
    qϕ(z∣x)q_{\phi}(\boldsymbol{z}\mid\boldsymbol{x})
  2. 解码器 p_theta从潜变量还原分子，对应“解压图纸”环节。
    pθ(x∣z)p_{\theta}(\boldsymbol{x}\mid\boldsymbol{z})
  3. 重建项解压结果与原件越像越好，用对数似然期望衡量。
    Eqϕ[log⁡pθ(x∣z)]\mathbb{E}_{q_\phi}[\log p_\theta(\boldsymbol{x}\mid\boldsymbol{z})]
  4. KL 正则项把密码分布拉向标准正态，密码本才整齐可抽。
    DKL(qϕ(z∣x) ∥ N(0,I))D_{\text{KL}}\big(q_\phi(\boldsymbol{z}\mid\boldsymbol{x})\,\|\,\mathcal{N}(0,\boldsymbol{I})\big)

GAN生成架构

仿造师小仿与鉴定师老鉴是一对冤家。小仿对着真品画赝品，老鉴只回一句“假的”或“这还差不多”。小仿从打击里偷学细节，老鉴也从骗局里练就火眼金睛。两人越斗，赝品越像真品。

这就是生成对抗网络（GAN）：生成器 G 从噪声 z 伪造分子；判别器 D 判断输入是真是假。目标是一场极小极大博弈——D 想最大化分辨能力，G 想最小化被识破的概率，双方互为磨刀石。

公式里两项对应 D 的两类输入：真品与赝品，训练时交替更新两边。但分子是离散符号，梯度难以从 D 传回 G，工程上要用 Gumbel-Softmax 或策略梯度；另一个著名难题是模式坍缩——小仿发现画某一种图最容易骗过老鉴，就偷懒只画一种，多样性暴跌。

min⁡Gmax⁡DV(D,G)=Ex∼pdata[log⁡D(x)]+Ez∼pz[log⁡(1−D(G(z)))]\displaystyle \min_{G}\max_{D} V(D,G) = \mathbb{E}_{\boldsymbol{x}\sim p_{\text{data}}}\big[\log D(\boldsymbol{x})\big] + \mathbb{E}_{\boldsymbol{z}\sim p_{\boldsymbol{z}}}\big[\log\big(1 - D(G(\boldsymbol{z}))\big)\big]
老板用这对冤家时要多留个心眼：赝品越逼真，越要抽查小仿是不是偷偷只练了一手。
  1. 生成器 G(z)从噪声映射出“赝品分子”。
    G(z)G(\boldsymbol{z})
  2. 判别器 D(x)输出输入为真品概率的打分器。
    D(x)∈[0,1]D(\boldsymbol{x})\in[0,1]
  3. 真品项判别器对真品尽量打出高分。
    Ex∼pdata[log⁡D(x)]\mathbb{E}_{\boldsymbol{x}\sim p_{\text{data}}}[\log D(\boldsymbol{x})]
  4. 赝品项判别器识破赝品、生成器让 D 犯错，形成博弈。
    Ez∼pz[log⁡(1−D(G(z)))]\mathbb{E}_{\boldsymbol{z}\sim p_{\boldsymbol{z}}}[\log(1 - D(G(\boldsymbol{z})))]
  5. 极小极大外层 G 求小、内层 D 求大的对抗目标。
    min⁡Gmax⁡DV(D,G)\min_G\max_D V(D,G)

扩散模型架构

雕塑家小凿从不打草稿。他的训练方式很特别：先学会“毁掉”作品——把一件完成的分子雕塑一层层撒上灰尘，直到变成灰扑扑的毛坯（纯噪声）；然后倒过来学“拂尘”：每步拂掉多少、往哪个方向拂，练到闭眼都会。

这套流程叫扩散模型。前向过程逐步添加高斯噪声，T 步后分子信息几乎全无；反向过程学习去噪，从纯噪声出发一步步还原出分子。每一步撒尘量由噪声调度 β_t 控制，通常前期小、后期大，让“毁掉”的过程循序渐进。

反向网络要预测当前状态的均值（等价于预测该拂掉多少尘），每刀都有依据。相比 GAN，扩散模型训练稳定、模式覆盖全，在分子生成中常直接对 3D 坐标或分子图操作。代价是采样要迭代几十上百步，比前两位慢得多——慢工出细活。

q(xt∣xt−1)=N(xt;1−βt xt−1,βtI),pθ(xt−1∣xt)=N(xt−1;μθ(xt,t),σt2I)\displaystyle q(\boldsymbol{x}_t\mid\boldsymbol{x}_{t-1}) = \mathcal{N}\big(\boldsymbol{x}_t; \sqrt{1-\beta_t}\,\boldsymbol{x}_{t-1}, \beta_t\boldsymbol{I}\big), \qquad p_\theta(\boldsymbol{x}_{t-1}\mid\boldsymbol{x}_t) = \mathcal{N}\big(\boldsymbol{x}_{t-1}; \boldsymbol{\mu}_\theta(\boldsymbol{x}_t,t), \sigma_t^2\boldsymbol{I}\big)
小凿交出的画稿虽然慢，但风格多样、很少翻车，成了“质量优先”订单的首选。
  1. 前向加噪每步只加一点高斯噪声，逐步“毁掉”分子结构。
    q(xt∣xt−1)=N(xt;1−βt xt−1,βtI)q(\boldsymbol{x}_t\mid\boldsymbol{x}_{t-1})=\mathcal{N}(\boldsymbol{x}_t;\sqrt{1-\beta_t}\,\boldsymbol{x}_{t-1},\beta_t\boldsymbol{I})
  2. 噪声调度 β_t控制每步撒尘量，是前向过程的关键超参数。
    βt∈(0,1)\beta_t\in(0,1)
  3. 反向去噪学习反向转移的均值与方差，从噪声还原分子。
    pθ(xt−1∣xt)=N(xt−1;μθ(xt,t),σt2I)p_\theta(\boldsymbol{x}_{t-1}\mid\boldsymbol{x}_t)=\mathcal{N}(\boldsymbol{x}_{t-1};\boldsymbol{\mu}_\theta(\boldsymbol{x}_t,t),\sigma_t^2\boldsymbol{I})
  4. 多步迭代从 x_T 出发逐步采样至 x_0，是采样慢的根源。
    xT→xT−1→⋯→x0\boldsymbol{x}_T\to\boldsymbol{x}_{T-1}\to\cdots\to\boldsymbol{x}_0

有效性控制策略

工作室有个铁面质检部：图纸上原子连了五根键？打回。SMILES 括号不配对？打回。老板给每位设计师配了一本《工艺规范手册》——里面写着化学价键规则和 SMILES 语法。

生成模型输出的是概率分布下的字符串，化学合法性并不天然保证，哪怕训练集全是合法分子。控制策略有三类：解码约束（每一步只允许生成合法的下一个字符）、后处理过滤（生成完校验，不合格就重采样）、强化学习引导（把合法性直接写进奖励函数）。

强化学习的奖励函数可以写成下面的形式：I 是指示函数，合法得 1、否则 0；f_hat 是属性预测器，比如预测溶解度或带隙，相当于质检部的快检仪器。α 和 β 决定“合规”与“好用”哪个更优先。

R(s)=α⋅I[valid(s)]+β⋅f^(s)\displaystyle R(\boldsymbol{s}) = \alpha \cdot \mathbb{I}\big[\mathrm{valid}(\boldsymbol{s})\big] + \beta \cdot \hat{f}(\boldsymbol{s})
有质检部兜底，三位设计师的画稿才从“看着像”变成“真能造”，工厂才敢照着图纸开模。
  1. 合法性函数价键规则与 SMILES 语法的检查器，返回 0 或 1。
    valid(s)∈{0,1}\mathrm{valid}(\boldsymbol{s})\in\{0,1\}
  2. 指示函数把布尔判断变成可优化的 0/1 奖励。
    I[⋅]\mathbb{I}[\cdot]
  3. 属性预测器快速估算目标性质的代理模型，代替昂贵实验。
    f^(s)\hat{f}(\boldsymbol{s})
  4. 权重平衡α 与 β 决定“合规优先”还是“性能优先”。
    α,β>0\alpha,\beta>0

生成质量评估

质检部每月出一份季度报告，老板最关心四个数：这批图纸多少张能落地？多少张是新面孔？整体花样多不多？有没有命中客户要求的性能？

四个数对应四个指标：有效性（合法分子占比）、唯一性（去重后占比）、多样性（两两有多不像）、属性命中率（满足目标性质阈值的比例）。其中“有多不像”用分子指纹的 Tanimoto 相似度来算——指纹就像分子的“身份证特征码”，交集并集一除，相似度一目了然。

对比三类模型：VAE 潜空间连续、多样性好，但早期有效性常在 50%~90%；GAN 单张图逼真却易模式坍缩，唯一性与多样性滑坡；扩散模型质量与多样性均衡，代价是采样慢。没有单一银弹，必须组合着看。

Valid=NvN,Unique=NuN,Div=1N∑i=1N(1−max⁡j≠iTanimoto(si,sj))\displaystyle \mathrm{Valid} = \frac{N_{\mathrm{v}}}{N}, \quad \mathrm{Unique} = \frac{N_{\mathrm{u}}}{N}, \quad \mathrm{Div} = \frac{1}{N}\sum_{i=1}^{N}\Big(1 - \max_{j\neq i}\mathrm{Tanimoto}\big(\boldsymbol{s}_i,\boldsymbol{s}_j\big)\Big)
老板看报告时心里有数：“能用、不重样、花样多、命中需求”四关都过，才是能真正接单的画师。
  1. 有效分子数通过合法性检查的分子计数。
    NvN_{\mathrm{v}}
  2. 唯一分子数去重后不重复的分子计数。
    NuN_{\mathrm{u}}
  3. Tanimoto 相似度分子指纹交集与并集的比值，数值越大越像。
    Tanimoto(si,sj)=∣fi∩fj∣∣fi∪fj∣\mathrm{Tanimoto}(\boldsymbol{s}_i,\boldsymbol{s}_j)=\frac{|\boldsymbol{f}_i\cap\boldsymbol{f}_j|}{|\boldsymbol{f}_i\cup\boldsymbol{f}_j|}
  4. 多样性均值与最相似样本的“不像程度”取平均。
    Div=1N∑i=1N(1−max⁡j≠iTanimoto(si,sj))\mathrm{Div}=\frac{1}{N}\sum_{i=1}^{N}\big(1-\max_{j\neq i}\mathrm{Tanimoto}(\boldsymbol{s}_i,\boldsymbol{s}_j)\big)

应用前景展望

订单越来越多：更轻的电池材料、能降解的塑料单体、针对特定靶点的先导药物。生成模型从“新玩具”变成了工作室的接单主力，三位设计师各显身手。

核心模式是属性导向的逆设计：给定目标性质，从生成分布中抽取候选池，再用属性预测器快速打分排序，把最可能命中的少数候选送去实验验证——AI 提候选、计算做筛选、实验当裁判。这套流水线把搜索空间从天文数字压缩到可验证的规模。

在材料信息学中，这被称为 inverse design。典型应用包括锂电池电解质分子设计、催化剂表面配体筛选、抗菌肽与先导化合物优化。挑战是数据稀缺与实验验证成本高，更系统的综述可参考[深度生成模型与材料逆设计研究](0)。

s∗=arg⁡max⁡s∼pθ(⋅)f^(s)\displaystyle \boldsymbol{s}^{*} = \arg\max_{\boldsymbol{s}\sim p_\theta(\cdot)} \hat{f}(\boldsymbol{s})
老板相信，最好的作品一定来自“AI 的想象力”与“实验的裁判权”的合流——这正是 AI for Science 的价值所在。
  1. 候选采样从训练好的生成分布中抽取一批候选分子。
    s∼pθ(s)\boldsymbol{s}\sim p_\theta(\boldsymbol{s})
  2. 属性打分用预测器给每个候选快速评分，替代昂贵实验。
    f^(s)\hat{f}(\boldsymbol{s})
  3. 取最优argmax 挑出最可能命中目标性质的候选。
    s∗=arg⁡max⁡sf^(s)\boldsymbol{s}^{*}=\arg\max_{\boldsymbol{s}}\hat{f}(\boldsymbol{s})

AI 应用场景

药物先导物从头发现

阶段：分子生成与先导物发现

解决的问题：传统药物筛选依赖高通量实验，候选库动辄百万级，成本高、周期长。AI 生成模型先“无中生有”地产出药物类候选分子，再用属性预测器打分缩小范围，让实验验证量从百万级降到百级。

具体案例：某团队针对一个激酶靶点，用 VAE 潜空间插值生成 3 万个小分子，经对接打分与 ADMET 过滤后选出 30 个合成验证，其中多个化合物活性达到微摩尔级，整个“设计—验证”周期从两年压缩到几个月。

电池电解质分子逆设计

阶段：材料逆设计（属性导向生成）

解决的问题：电解质分子需要同时满足高离子电导率、宽电化学窗口等指标，靠化学家经验试错效率极低。生成模型按目标属性采样候选，把 DFT 等昂贵计算集中在少数高潜力候选上。

具体案例：材料信息学团队以扩散模型生成 3D 分子构象，用图神经网络预测氧化还原稳定性，将 Top-100 候选交给第一性原理验证，发现了数个未见报道的氟代醚候选分子。

Python 演示

python55 行
# coding: utf-8"""分子生成质量评估演示：简化合法性检查 + 三大质量指标计算。"""from collections import Counterfrom itertools import combinations # 模拟生成模型输出的 10 个候选分子（SMILES 字符串）generated = ["CCO", "CCO", "CCN", "C=CO", "c1ccccc1",             "ZZZ", "CC", "C", "O=C=O", "c1ccccc1"] # 常见有机元素白名单（含芳香原子）ALLOWED = set("BCNOPSFClBrIcno") def is_valid(smiles):    """简化化学合法性检查：元素常见且括号配对。"""    if not smiles:        return False    for ch in smiles:        if ch.isalpha() and ch not in ALLOWED:            return False        if not (ch.isalpha() or ch in "=#()[]123456789+-"):            return False    return smiles.count("(") == smiles.count(")") def fingerprint(smiles):    """把分子转成简化指纹：统计各元素出现次数。"""    counts = Counter(ch for ch in smiles if ch.isalpha())    return tuple(sorted(counts.items())) def tanimoto(fp1, fp2):    """Tanimoto 相似度：交集大小 / 并集大小。"""    s1, s2 = set(fp1), set(fp2)    union = len(s1 | s2)    return len(s1 & s2) / union if union else 0.0 def evaluate(molecules):    """计算有效性、唯一性、多样性三大指标。"""    valid = [s for s in molecules if is_valid(s)]    n = len(molecules)    validity = len(valid) / n    uniqueness = len(set(valid)) / n    fps = [fingerprint(s) for s in valid]    diversity = 0.0    if len(fps) > 1:        total, count = 0.0, 0        for a, b in combinations(fps, 2):            total += 1 - tanimoto(a, b)            count += 1        diversity = total / count    return validity, uniqueness, diversity if __name__ == "__main__":    v, u, d = evaluate(generated)    print("Validity   = %.2f" % v)    print("Uniqueness = %.2f" % u)    print("Diversity  = %.2f" % d)
目的：用简化规则扮演“质检部”，对生成模型输出的一批分子计算有效性、唯一性、多样性三大指标，对应正文第六节的评估方法。
  1. ALLOWED = set("BCNOPSFClBrIcno")化学元素白名单，相当于质检部的“常见材料表”
  2. def is_valid(smiles):简化版化学合法性检查，元素常见且括号配对才算合法
  3. return smiles.count("(") == smiles.count(")")SMILES 括号配对是最基本的语法检查
  4. def fingerprint(smiles):把分子变成可比对的“身份证指纹”
  5. return len(s1 & s2) / union if union else 0.0Tanimoto 相似度的核心算式
  6. uniqueness = len(set(valid)) / n用 set 去重，唯一性只看“新面孔”占比
  7. total += 1 - tanimoto(a, b)相似度取反得到“有多不像”，平均后即多样性

常见误区

误区我觉得分子生成模型就是输入一些原子，输出预测出来的分子性质，跟之前学的回归分类没什么两样。

正解预测模型是做“评估”：给一个分子，输出性质数值；生成模型是做“创作”：学习一大批分子的分布规律，然后从分布中采样出全新结构。类比工作室：老员工只会给图纸打分，设计师却能画出新图纸。两者常配合使用——生成出候选，预测器打分。

为何常见：都叫“模型”，且底层都是神经网络，初学者容易只盯着结构相似，忽略了任务本质：一个是逼近函数，一个是逼近分布。

误区VAE 就是普通自编码器，压缩再解压，中间学个向量就行了，何必多此一举。

正解普通自编码器的潜空间是“散乱堆放”的，随便抽一个中间点解压可能得到乱码；VAE 额外用 KL 正则把编码分布拉向标准正态，使潜空间连续、有语义，采样才可靠。类比档案管理师：他把密码本整理得井井有条，而不是随手丢进仓库。

为何常见：两者结构上确实都是“编码—解码”，表面相似，容易忽略 KL 项对“可采样性”的关键作用。

误区模型是用合法分子训练出来的，所以它生成的结果肯定都是合法分子，可以直接拿去合成。

正解模型学的是概率分布，不是化学规则。SMILES 序列即使每个字符都“像”，也可能价键不匹配、括号不配对。VAE 早期生成的有效性常在 50%~90%。必须用语法约束、后过滤或强化学习奖励来兜底。类比仿造师：画得再像，也可能把凳子画成三条腿。

为何常见：训练集全是合法分子，人天然以为模型“内化”了规则；但生成是逐步采样，错误会累积。

误区某次对抗训练后生成器输出的分子质量很高，又有效又像真品，说明 GAN 很好用，可以放心交付。

正解GAN 最经典的陷阱是模式坍缩：生成器发现只要反复画一种“最像”的图就能骗过判别器，于是多样性骤降。质量高可能只是“单一模板”的质量高，必须同时看唯一性和多样性指标。类比小仿：只练一幅画，骗老鉴十次有九次成功，但客户要的是风格多样的设计。

为何常见：只看单张样本“像不像”是直觉；分布覆盖度需要统计才能发现，人眼容易被漂亮的个例误导。

误区扩散模型采样要迭代几百步，比 VAE/GAN 慢，所以它生成的质量一定碾压其他模型。

正解扩散模型确实更稳、模式覆盖更好，但“慢”是采样策略的代价，不等于其他维度全胜。VAE 在潜空间可快速插值做属性优化，GAN 一步生成适合高吞吐筛选。选型要看任务：速度敏感选 GAN/VAE，质量与多样性优先选扩散。

为何常见：人们容易把“计算量大”误当成“效果好”的保证，忽略了不同架构各有适用场景。

面试题

Q1. 分子生成模型的核心任务是什么？

单选题 · easy

  • A.预测给定分子的理化性质
  • B.从头创建全新的分子结构← 正确答案
  • C.将分子图像进行分类识别
  • D.匹配分子之间的相似关系

答案：B。生成模型的任务是学会数据分布后创作新结构，而不是预测性质。预测性质属于回归/分类任务，像老员工给图纸估价；生成则是设计师画新图纸。A、C、D 都是“评估或识别”，不是“创作”。

Q2. VAE 的“潜空间”在工作室比喻中最接近什么？

单选题 · easy

  • A.仿造者私藏的伪造模板箱
  • B.雕塑家的一整块原始石料
  • C.档案管理者手编的设计密码本← 正确答案
  • D.鉴定师手里的真品鉴别册

答案：C。潜空间是连续、有语义、可采样的低维空间，对应档案管理师的密码本。仿造模板箱更像 GAN 的生成器，原始石料更像扩散模型的噪声起点，鉴别册更像判别器。

Q3. 材料信息学中生成模型的主要价值是什么？

单选题 · easy

  • A.替代所有化学实验设备
  • B.加速新材料的发现进程← 正确答案
  • C.直接合成出物理样品
  • D.消除对训练数据集依赖

答案：B。生成模型的价值是用计算快速产出候选分子，从而加速发现。它不能替代实验设备（实验是裁判），不能直接合成样品，也不能消除对数据的需求——恰恰相反，它更需要高质量数据来学分布。

Q4. GAN 训练中生成器与判别器的关系是？

单选题 · mid

  • A.协同合作降低共同损失
  • B.零和博弈相互促进提升← 正确答案
  • C.独立训练互不产生影响
  • D.判别器监督生成器分类

答案：B。GAN 是零和博弈：生成器负责骗、判别器负责防，双方在对抗中共同进步。二者不是协同最小化共同损失（那是普通联合训练），也不是独立训练或监督分类关系。

Q5. VAE 损失中 KL 散度项的主要作用？

单选题 · mid

  • A.压缩潜空间到标准正态← 正确答案
  • B.提升解码器重建精确度
  • C.增大生成分子的多样化
  • D.约束分子必须是链状形

答案：A。KL 散度项把编码分布拉向标准正态先验，使潜空间连续可采样，相当于把密码本编整齐。重建精度由重建项负责，KL 项不直接提升重建、也不保证多样性或链状结构。

Q6. 评估生成分子多样性时采用的方法？

单选题 · mid

  • A.统计合法分子所占比例
  • B.统计去重后的分子数量
  • C.计算两两相似度并取反平均← 正确答案
  • D.对比生成过程的运行时长

答案：C。多样性用两两 Tanimoto 相似度取反（1 减相似度）后的均值衡量，代表整体“有多不像”。合法比例是有效性，去重比例是唯一性，运行时长与生成质量无关。

Q7. 扩散模型相比 GAN 更适合分子生成的原因？

单选题 · hard

  • A.训练稳定且模式覆盖更全面← 正确答案
  • B.单步采样速度远远高于 GAN
  • C.不需要任何分子表示输入
  • D.天然保证生成分子全合法

答案：A。扩散模型训练稳定、无模式坍缩、模式覆盖更全，适合分子这种多峰分布。但它采样并不快（需多步迭代），也需要分子表示输入，且不能天然保证合法性——合法性要靠约束与过滤。

Q8. 扩散模型采样速度较慢的根本原因？

单选题 · extreme

  • A.需要多步迭代执行反向去噪← 正确答案
  • B.生成器与判别器反复对抗
  • C.潜空间维度设置过于庞大
  • D.必须使用循环神经网络解码

答案：A。扩散采样要从纯噪声开始，迭代 T 步反向去噪才能还原分子，这是慢的根源。对抗博弈影响的是训练而非采样；潜空间维度与循环解码并非扩散模型的固有设定。

Q9. 提升分子化学有效性的常用策略包括？

多选题 · mid

  • A.生成后过滤并重新采样← 正确答案
  • B.用强化学习奖励化学合法性← 正确答案
  • C.解码时施加 SMILES 语法约束← 正确答案
  • D.把潜空间维度调整到最大

答案：ABC。过滤重采样最简单直接，语法约束在解码阶段防错，强化学习把合法性变成训练信号，三者都是正文提到的策略。增大潜空间维度与合法性没有直接关系，还可能让采样更散乱。

Q10. 关于三种生成架构的说法正确的有？

多选题 · hard

  • A.VAE 将分子编码为连续潜向量← 正确答案
  • B.GAN 训练中存在模式坍缩风险← 正确答案
  • C.扩散模型反向过程只需一步
  • D.三类模型均可生成分子结构← 正确答案

答案：ABD。VAE 确实把分子编码为连续潜向量（A 对）；GAN 经典风险就是模式坍缩（B 对）；扩散模型反向是几十上百步的迭代，不是一步（C 错）；三类模型都能生成分子结构（D 对）。