PyTorchKR Papers

업데이트된 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.02834v2cs.LG

분자 최적화를 위한 이산 확산 온라인 적응의 설계 공간에 관한 연구

On the Design Space of Discrete Diffusion Online Adaptation for Molecular Optimization

분자 최적화는 유효한 분자 구조에 대한 광범위한 사전 분포를 포착하는 사전학습된 생성 모델에서 출발하는 경우가 많다. 그러나 테스트 시점의 목표는 이 사전 분포에서 샘플링하는 것이 아니라, 제한된 오라클 예산을 활용하여 생성 방향을 과제별 고보상 분자로 전환하는 것이다. 우리는 이산 확산 모델에 대한 이 적응 문제를 연구한다. 각 온라인 라운드는 여러 선택을 결합한다. 루프는 어떤 후보를 평가할지, 보상이 어떻게 모델 업데이트로 이어질지, 어떤 피드백을 재사용할지, 그리고 사전학습된 사전 분포에서 얼마나 멀리 이동할지를 결정해야 한다. 이러한 선택들은 대부분 개별적으로 연구되어 왔으며, 전체 온라인 적응 루프 내에서 이들이 서로 보완되는지, 중복되는지, 또는 간섭하는지는 아직 밝혀지지 않았다. 우리는 여섯 가지 소분자 결합 친화도 과제와 세 가지 단백질 적합도 과제에 걸쳐 통제된 연구를 수행한다. 획득(acquisition), 보상 형성(reward shaping), 모델 디바이어싱(model debiasing)이 특히 소분자에서 더 높은 보상으로 이어지는 상호 보완적인 경로를 제공함을 발견하였다. 리플레이(replay)는 학습을 추가로 안정화시키며, 유효성 페널티는 소분자 탐험을 유효한 분자 다양체 위에 유지한다. 이러한 발견들은 피드백 효율적인 분자 최적화를 위한 실용적인 레시피를 제시한다: 획득, 보상 형성, 디바이어싱, 리플레이, 유효성 제어를 포함한 온라인 미세조정이다. 이 레시피는 동일한 오라클 호출 예산 및 GPU 시간 기준 하에서 오프라인 미세조정 및 추론 시점 탐색 기준선을 능가한다. 성능 향상은 고보상 후보가 사전학습된 사전 분포로부터 더 큰 이동을 필요로 할 때 가장 크게 나타난다.