🤖 machine learning

Generating Physically Consistent Molecules with Energy-Based Models

Het artikel introduceert EBMol, een nieuw energiegebaseerd model dat de fysieke inductieve bias voor 3D-moleculaire generatie herstelt door een atoom-additief scalair potentiaal te leren via een stromingsgeïnspireerde doelstelling, waarmee state-of-the-art prestaties op QM9 en GEOM-Drugs worden bereikt en tegelijkertijd een principiële kwaliteitsrangschikking en controleerbaar zero-shot ontwerp mogelijk worden gemaakt.

Oorspronkelijke auteurs: Christoph Griesbacher, Lea Bogensperger, Andreas Habring, Thomas Pock

Gepubliceerd 2026-05-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Christoph Griesbacher, Lea Bogensperger, Andreas Habring, Thomas Pock

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een computer probeert te leren nieuwe moleculen te ontwerpen, zoals kleine Lego-constructies gemaakt van atomen. Het doel is om moleculen te creëren die stabiel en fysiek mogelijk zijn, niet zomaar willekeurige stapels blokken die op het moment dat je ze aanraakt uit elkaar vallen.

De meeste huidige AI-methoden voor deze taak zijn als een GPS-navigatiesysteem. Ze leren een route van "chaos" (willekeurige ruis) naar "bestemming" (een geldig molecuul). Ze zijn uitstekend in het je daarheen brengen, maar zodra je aankomt, begrijpen ze niet echt waarom de bestemming een goede plek is. Ze kunnen je niet gemakkelijk vertellen of een iets andere versie van het molecuul beter of slechter is, en ze kunnen niet gemakkelijk onderdelen van twee verschillende moleculen combineren om een nieuw molecuul te maken zonder het hele systeem opnieuw te trainen.

EBMol is een nieuwe aanpak die het spel verandert. In plaats van een route te leren, leert het een landschap.

Het Energielandschap: Een Bergketen van Moleculen

Stel je alle mogelijke rangschikkingen van atomen voor als een gigantisch, 3D berglandschap.

Dalen vertegenwoordigen stabiele, echte moleculen. Hoe dieper het dal, hoe stabieler het molecuul.
Bergen vertegenwoordigen onstabiele, onmogelijke of "gebroken" structuren.

In de natuurkunde nestelen moleculen zich van nature in de diepste dalen (dit heet de "Boltzmann-verdeling"). Het probleem is dat het leren van het tekenen van deze bergkaart vanuit data ongelooflijk moeilijk is. Eerdere pogingen gaven ofwel de kaart helemaal niet op (door de hierboven genoemde GPS-methode te gebruiken) of probeerden de kaart te tekenen maar bleven steken omdat de kaart te hobbelig en verwarrend was om te navigeren.

Hoe EBMol de Kaart Tekent

De auteurs introduceren een nieuwe trainingsmethode genaamd Restoring Field Matching (RFM).

Stel je voor dat je een glad rubberen vel hebt dat het energielandschap voorstelt. Je plaatst een zware bal (een echt molecuul) op het vel. Je wilt dat het vel precies onder de bal inzakt, waardoor een perfect dal ontstaat.

Oude methoden probeerden de vorm van de inzinking te raden door de bal van een afstand te bekijken, waarbij ze vaak de vorm verkeerd begrepen.
De methode van EBMol is als een magische wind. Hij waait van beide kanten van de bal naar het centrum. Als je links van het molecuul bent, duwt de wind je naar rechts. Als je rechts bent, duwt hij je naar links. Als je erboven of eronder bent, duwt hij je naar beneden.

Door de AI te trainen om deze "herstellende wind" te creëren die altijd terugwijst naar echte moleculen, leert de AI automatisch perfecte dalen (lokale minima) uit te graven waar de echte data zit. Dit doet het zonder dat er tijdens de trainingsfase dure natuurkundige simulaties nodig zijn.

Navigeren op de Kaart: De Spiegelwandelaar

Zodra de kaart is getekend, moet je een manier vinden om erdoorheen te lopen om nieuwe moleculen te vinden. Standaard wandelalgoritmen (zoals Langevin-dynamica) werken prima op vlakke grond (coördinaten), maar ze hebben moeite als je tegen een muur aanloopt (zoals de regels die zeggen dat de waarschijnlijkheid van een atoom opgeteld 100% moet zijn).

EBMol gebruikt een slimme truc genaamd het Mirror Langevin-algoritme.

Stel je voor dat je loopt in een kamer met gebogen muren. Als je probeert recht te lopen, loop je misschien tegen een muur aan.
De "Spiegel"-methode is als het dragen van speciale brillen die de gebogen kamer er vlak voor je doen uitzien. Je loopt in een rechte lijn in deze "spiegelwereld", en als je de bril afzet, besef je dat je eigenlijk perfect langs de kromming van de muur hebt gelopen.
Hierdoor kan de AI zowel de positie van atomen (waar ze zijn) als hun type (of ze Koolstof, Zuurstof, etc. zijn) tegelijkertijd en correct bijwerken, zonder de regels van de chemie te breken.

Waarom Dit Belangrijk Is: De "Superkracht" van de Kaart

Omdat EBMol daadwerkelijk het energielandschap leert (het "waarom" achter het molecuul), krijgt het superkrachten die GPS-stijl-modellen niet hebben:

Rangschikking en Filteren: Je kunt 1.000 moleculen genereren en ze direct scoren. Die met de laagste energie (diepste dalen) zijn het beste. Het is alsof je een kwaliteitscontrole-inspecteur hebt die precies weet welke moleculen fysiek gezond zijn.
Mengen en Matchen (Composabele Generatie): Omdat de energie gewoon een som van delen is, kun je de "energiekaart" van een specifieke vorm (zoals een bol) combineren met de kaart van een geneesmiddelmolecuul. De AI loopt vervolgens het pad dat aan beide voorwaarden voldoet. Je kunt vragen om een "bolvormig geneesmiddel" en het genereert er een, zelfs als het tijdens de trainingsdata nooit een bolvormig geneesmiddel heeft gezien.
Zero-Shot Linkerontwerp: Stel je voor dat je twee helften van een molecuul hebt (zoals twee puzzelstukken) en je moet het middelste stuk ontwerpen om ze te verbinden. EBMol kan het ontbrekende midden invullen door het energielandschap te "wandelen" om een stabiele verbinding te vinden, zonder opnieuw getraind te hoeven worden voor die specifieke puzzel.

De Resultaten

Het artikel toont aan dat EBMol moleculen creëert die niet alleen geldig zijn, maar fysiek dichter bij de "perfecte" stabiele toestand liggen dan eerdere methoden die chemische bindingen niet expliciet modelleerden. Het behaalde toppunten op standaardtests (QM9 en GEOM-Drugs) en, cruciaal, vereisen de gegenereerde moleculen veel minder "relaxatie" (fysisch bijsturen) om stabiel te worden.

Kortom, EBMol stopt met het behandelen van molecuulgeneratie als een "raad de bestemming"-spel en maakt er een "navigeren door een fysiek landschap"-spel van, waardoor de AI een dieper, meer intuïtief begrip van chemie krijgt.

Technische Samenvatting: Het Genereren van Fysisch Consistente Moleculen met Energie-gebaseerde Modellen

Probleemstelling

Moleculaire toestanden in thermisch evenwicht worden beheerst door de Boltzmann-verdeling, $p(x) \propto \exp(-E(x)/(k_BT))$ , waarbij de waarschijnlijkheid van een configuratie wordt bepaald door zijn potentiële energie. Hoewel standaarddatasets voor moleculaire generatie (bijv. QM9, GEOM-Drugs) geometrisch geoptimaliseerde structuren bevatten die zijn gerelaxeerd naar lokale energie-minima, zijn deze niet getrokken uit de Boltzmann-verdeling; hun relatieve frequenties weerspiegelen enumeratiestrategieën in plaats van thermodynamische gewichten. Bijgevolg is een scalair energielandschap waarin minima samenvallen met stabiele configuraties het natuurlijke modelleringstarget.

Het leren en bemonsteren van dergelijke landschappen blijft echter een open uitdaging. Traditionele Energie-gebaseerde Modellen (EBM's) vereisen Boltzmann-verdeelde data voor training of vertrouwen op dure Markov Chain Monte Carlo (MCMC)-methoden die moeite hebben om de ruige, onfysische gebieden tussen ruis en geldige structuren te doorkruisen. Omgekeerd omzeilen state-of-the-art diffusie- en flow-matching-modellen deze problemen door tijd-voorwaardelijke transportvelden te leren. Hoewel deze effectief zijn, verliezen ze de energie-inductieve bias, waardoor er geen expliciete energiefunctie beschikbaar is om configuraties tijdens inferentie te evalueren, te rangschikken of te combineren.

Methodologie: EBMol

De auteurs introduceren EBMol, een Energie-gebaseerd Model voor 3D-moleculaire generatie dat de energie-inductieve bias herstelt zonder expliciete simulatie tijdens training te vereisen. Het kader bestaat uit twee hoofdcomponenten:

1. Restoring Field Matching (RFM) voor Training

Om een hanteerbaar energielandschap $E_\theta(x)$ te leren zonder Boltzmann-verdeelde data, stellen de auteurs Restoring Field Matching (RFM) voor.

Concept: In plaats van datapunten als trajecteindpunten te behandelen (zoals bij standaard flow matching), verlengt RFM het interpolatie-interval tot $t \in [-1, 1]$ , waarbij het door de data gaat bij $t=0$ .
Constructie van het Doelveld: Het model wordt getraind om de negatieve gradiënt van de energie, $-\nabla E_\theta(x_t)$ , te laten overeenkomen met een doel-"herstellend veld" $u$ . Dit veld wijst vanuit beide kanten van het manifold naar de data $x_0$ toe (interpolatie $t \in [0, 1]$ en extrapolatie $t \in [-1, 0]$ ).
Stationariteit: Een gladmakende functie $b(|t|)$ schaalt het doelveld zodat het verdwijnt bij $t=0$ (het datapunt), waardoor datapunten lokale minima van het geleerde energielandschap worden.
Regularisatie: Een regularisatieterm per atoom verankert de energiewaarden van schone datapunten naar nul om kunstmatige dieptebiasing in de bemonsteraar te voorkomen.
Omgaan met de Toestandruimte: De methode behandelt gemengde continu-discrete toestanden ( $x = (c, p)$ , waarbij $c$ coördinaten zijn en $p$ atoomtypes) door aparte interpolanten te definiëren: lineaire trajecten voor coördinaten (uitgelijnd via optimaal transport) en reflectie-gebaseerde trajecten voor categorische kenmerken om binnen het simplex te blijven.

2. Mirror-Langevin Algorithm (MLA) voor Bemonstering

Om te bemonsteren uit de geleerde verdeling $p_\theta(x) \propto \exp(-E_\theta(x)/\tau)$ , passen de auteurs het Mirror-Langevin Algorithm aan.

Gecombineerde Updates: Standaard Langevin-dynamica duurt atoomtypes buiten het waarschijnlijkheidssimplex. MLA lost dit op door updates uit te voeren in een onbeperkte duale ruimte en terug te projecteren via een spiegelkaart.
- Voor continue coördinaten reduceert het Euclidische potentiaal MLA tot het Unadjusted Langevin Algorithm.
- Voor categorische atoomtypes mapt het negatieve entropiepotentiaal het simplex naar logit-ruimte, waarbij de softmax-functie terug projecteert.
Parallel Tempering: Om de moeilijkheid van het doorkruisen van ruige energielandschappen aan te pakken, passen de auteurs parallel tempering toe met meerdere ketens op verschillende temperaturen. Periodieke Metropolis-Hastings-swaps stellen "hete" ketens in staat om breed te verkennen en "koude" ketens om te verfijnen, waardoor schaalbaarheid van compute tijdens inferentie mogelijk wordt.

Belangrijkste Bijdragen

Restoring Field Matching (RFM): Een trainingsdoelstelling zonder simulatie die een scalair, atoom-additief energielandschap vormgeeft met datapunten als lokale minima. De auteurs bieden theoretische garanties met betrekking tot het bestaan en de uniciteit van de oplossing en karakteriseren het gedrag onder variërende regularisatiesterktes.
Mirror-Langevin Bemonsteringskader: Het eerste geünificeerde gemengd-geometrische Langevin-kader voor gezamenlijke continu-discrete diepe generatieve modellering, dat coördinaatupdates en simplex-beperkte atoomtypeupdates combineert binnen één stap, verrijkt met parallel tempering.
State-of-the-Art Prestaties: EBMol behaalt state-of-the-art resultaten op QM9- en GEOM-Drugs-benchmarks, wat aantoont dat energie-gebaseerde modellering de generatiekwaliteit van diffusie/flow-modellen kan evenaren terwijl het bijkomende mogelijkheden biedt.

Experimentele Resultaten

Het model werd geëvalueerd op QM9 (134k kleine moleculen) en GEOM-Drugs (430k drug-achtige moleculen).

Generatiekwaliteit: Op QM9 overtreft EBMol (met 1810 Netwerkfunctie-evaluaties) alle baselines in atoom- en molecuulstabiliteit, met respectievelijk 99,76% en 97,09%. Op GEOM-Drugs presteert EBMol aanzienlijk beter dan de sterke baseline SLDM, met 98,68% atoomstabiliteit en 61,42% molecuulstabiliteit bij hoge compute-budgetten.
Fysische Consistentie: Het geleerde energielandschap dient als een principieel kwaliteitsmaatstaf. EBMol bereikt een mediaan relaxatie-energie van 1,78 kcal/mol op GEOM-Drugs, een orde van grootte lager dan eerdere bond-implicit-modellen en concurrerend met bond-explicit-modellen (Megalodon), ondanks 18 $\times$ minder parameters en geen expliciete bonds-supervisie.
Correlatie met Fysische Energie: De geleerde energie correleert significant ( $r=0,65$ ) met de energiedaling bij GFN2-xTB-relaxatie, waardoor het model kan fungeren als een lichtgewicht filter voor fysisch gespannen geometrieën.
Controleerbare Generatie:
- Vormsturing: Door het geleerde potentiaal te combineren met differentieerbare vormpotentialen (lineair, planair, bolvormig), kan het model de generatie sturen naar ondervertegenwoordigde geometrieën zonder hertraining.
- Zero-Shot Linkerontwerp: Het additieve karakter van de energie maakt conditionele generatie mogelijk door moleculaire fragmenten vast te zetten. EBMol bereikt een succespercentage van 73,9% in linkerontwerptaken over variërende complexiteiten zonder taakspecifieke training.

Betekenis en Claims

De paper beweert dat EBMol het potentieel van energie-gebaseerde modellen als veelzijdig kader voor 3D-moleculaire generatie aantoont. De primaire betekenis ligt in het herstellen van de energie-inductieve bias die verloren is gegaan bij tijd-voorwaardelijke modellen, waardoor het mogelijk wordt:

Fysisch betekenisvolle scoring: Het vermogen om gegenereerde samples te rangschikken en te filteren op basis van een expliciete energiefunctie.
Composabele generatie: Het vermogen om generatie te sturen via potentiaalcompositie (bijv. vormsturing) en zero-shot conditionele generatie uit te voeren (bijv. linkerontwerp) zonder hertraining.
Hoogwaardige generatie: Het behalen van state-of-the-art stabiliteit en validiteit terwijl structuren worden gegenereerd die verrassend dicht bij fysische lokale minima liggen, wat opkomt met modellen met expliciete bonds-supervisie.

De auteurs wijzen op beperkingen, waaronder de gevoeligheid van het bemonsteringsalgoritme voor hyperparameters en de huidige behoefte aan aanzienlijke compute-budgetten (NFE's) om optimale resultaten te bereiken. Zij suggereren dat toekomstig werk zich kan richten op energie-calibratie tegen fysische grootheden (DFT/GFN2-xTB) en de integratie van geavanceerdere bemonsteraars.