論文の概要: Sample Efficient Generative Optimization for Molecular Design

• arxiv url: http://arxiv.org/abs/2607.12488v1
• Date: Tue, 14 Jul 2026 08:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.084774
• Title: Sample Efficient Generative Optimization for Molecular Design
• Title（参考訳）: 分子設計のためのサンプル効率の良い生成最適化
• Abstract要約: 本稿では,適応的に生成する分子に対するベイズ最適化のためのフレームワークであるSEGO(Sample Efficient Generative Optimization)を紹介する。 SEGOは、他のメソッドが消費するオラクル呼び出しの10分の1だけを使用して、実用的な分子最適化ベンチマークで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 3.488381738536745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular optimization in drug discovery, materials design, and catalysis requires searching vast chemical spaces under tight evaluation budgets, since high-fidelity oracles and experimental measurements are costly. The practical impact of an optimization method therefore hinges on its sample efficiency: how few evaluations it needs to find strong candidates. We introduce Sample Efficient Generative Optimization (SEGO), a framework for Bayesian optimization on adaptively generated molecules. In SEGO, a probabilistic surrogate model forms a hypothesis about where hits lie in chemical space, a generative model is steered to propose candidates in that region, the most promising candidate is selected via an acquisition function, and the resulting oracle call is used both to sharpen the surrogate and to anchor the generator in real reward. SEGO attains state-of-the-art performance on the practical molecular optimization (PMO) benchmark using only one tenth of the oracle calls consumed by other methods, and on a multiparameter docking task it reaches ten hits in roughly half the oracle calls of existing approaches. These gains move molecular optimization closer to campaigns driven by direct experimental feedback.
• Abstract（参考訳）: 薬物発見、材料設計、触媒の分子最適化は、高忠実度オークルと実験的な測定が費用がかかるため、厳密な評価予算の下で広大な化学空間を探索する必要がある。 したがって、最適化手法の実践的な影響は、そのサンプル効率(強い候補を見つけるために必要な評価がどれほど少ないか)に影響を及ぼす。 本稿では,適応的に生成する分子に対するベイズ最適化のためのフレームワークであるSEGO(Sample Efficient Generative Optimization)を紹介する。 SEGOでは、確率的代理モデル(probabilistic surrogate model)は、化学空間におけるヒットの場所に関する仮説を定め、その領域の候補を提案するために生成モデルを定め、最も有望な候補を取得関数を介して選択し、結果として生じるオラクル呼び出しを用いてサロゲートを鋭くし、ジェネレータを実際の報酬でアンカーする。 SEGOは実用的分子最適化(PMO)ベンチマークで、他のメソッドが消費するオラクルコールの10分の1しか使用せず、マルチパラメータドッキングタスクでは、既存のアプローチのオラクルコールのおよそ半分で10ヒットに達する。 これらの成果は、直接的な実験フィードバックによって引き起こされるキャンペーンに分子最適化を近づける。

関連論文リスト

• Be Your Own Teacher: Steering Protein Language Models via Unsupervised Reward Optimization [85.4863852505905]
  タンパク質言語モデル(PLM)の教師なし報酬最適化を導入する。 我々の重要な洞察は、本質的なモデルの不確実性とタンパク質表現モデルによって誘導される意味的整合性を組み合わせたタスク非依存報酬は、ベースモデルと温度レギュレーションの制御可能性指標と強い相関を示すことである。 我々のフレームワークは、ラベル付けされた好みや実験的なフィードバックが不足したり、利用できないような環境で、制御可能な生体分子設計へのスケーラブルな経路を提供する。
  論文  参考訳（メタデータ） (2026-06-17T11:42:01Z)
• P^2O: Joint Policy and Prompt Optimization [74.45293488495592]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデル(LLM)の推論能力を高めるための強力なパラダイムとして登場した。 プロンプト最適化とポリシー最適化を相乗化する新しいフレームワークであるP2Oを提案する。
  論文  参考訳（メタデータ） (2026-03-23T12:08:47Z)
• Sample Efficient Generative Molecular Optimization with Joint Self-Improvement [0.878320610914317]
  生成分子最適化は、既存の化合物を超える性質を持つ分子を設計することを目的としている。 本稿では,共同生成予測モデルと自己改善サンプリングスキームの利点を生かした,共同自己改善手法を提案する。 共同自己改善は、限られた評価予算の下で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-02-11T16:13:07Z)
• SEISMO: Increasing Sample Efficiency in Molecular Optimization with a Trajectory-Aware LLM Agent [0.7377073690542307]
  オンライン推論時間分子最適化エージェントSEISMOを紹介する。 集団ベースの学習やバッチ学習を必要とせずに、すべてのオラクルコール後に更新される。 従来の方法よりも曲線の2～3倍高い面積を達成し、50オラクルコール以内のタスクスコアに到達することが多い。
  論文  参考訳（メタデータ） (2026-01-31T11:23:48Z)
• Generative Multi-Objective Bayesian Optimization with Scalable Batch Evaluations for Sample-Efficient De Novo Molecular Design [1.8517039579627974]
  この研究は、デ・ノボ分子設計/発見のための代替的なモジュラーな「世代最適化」フレームワークを導入する。 我々は、最先端の潜在空間と離散的な分子最適化法に対して、このフレームワークをベンチマークする。 具体的には、持続的なエネルギー貯蔵に関するケーススタディにおいて、我々のアプローチは、新規で多種多様で高性能な有機(キノン系)陰極材料を迅速に発見することを示した。
  論文  参考訳（メタデータ） (2025-12-19T14:59:27Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• Conditional Latent Space Molecular Scaffold Optimization for Accelerated Molecular Design [14.63544637436396]
  CLaSMO ( Conditional Latent Space Molecular Scaffold Optimization) を導入する。 CLaSMOは、条件変分オートエンコーダ(CVAE)とLatent Space Bayesian Optimization(LSBO)を統合し、分子を戦略的に修飾する。 LSBO設定は, 分子最適化の試料効率を向上し, 実世界の適用可能性の高い分子を得るのに有効である。
  論文  参考訳（メタデータ） (2024-11-03T03:17:38Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• CELLS: Cost-Effective Evolution in Latent Space for Goal-Directed Molecular Generation [23.618366377098614]
  本稿では,分子潜在表現ベクトルを最適化した遅延空間におけるコスト効率のよい進化戦略を提案する。 我々は、潜伏空間と観測空間をマッピングするために、事前訓練された分子生成モデルを採用する。 提案手法といくつかの高度な手法を比較した複数の最適化タスクについて広範な実験を行った。
  論文  参考訳（メタデータ） (2021-11-30T11:02:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。