原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在尝试发明一种用于火箭或燃气发生器的新型超级燃料。你希望这种燃料威力巨大，同时又足够小巧轻便，便于携带。然而问题在于，过去 15 年里，科学家们尚未发现任何一种能够超越现有冠军（如 HMX 和 CL-20）的新型“超级燃料”分子。
为什么这如此困难？这就像在干草堆里找一根针，但这个干草堆由 66,000 种不同的化学配方组成，而其中仅有约 3,000 种经过真实实验室测试或通过超精确物理模拟验证。其余的只是粗略的猜测。如果你让标准计算机程序设计一种新燃料，它通常只会做两件糟糕的事：要么只是复制它已知的旧配方（死记硬背），要么编造出一些看似纸上谈兵、实则经不起数学验证的荒诞且不可能存在的化学物质。
解决方案：DGLD（领域门控潜在扩散）
作者构建了一种名为DGLD的新型人工智能系统来解决这一问题。可以将 DGLD 想象为一位高度专业化的“化学建筑师”，它通过三步流程来寻找完美的新分子。
1. “信任过滤器”（训练阶段）
想象你在教一名学生成为厨师。你有一本包含 66,000 种配方的食谱。
- 其中 3,000 种配方是由真正的厨师在真实厨房中测试过的（实验/密度泛函理论数据）。
- 其余 63,000 种则只是初级助手写下的粗略估算（代理数据）。
如果你让学生品尝所有配方，他们可能会因那些糟糕的估算而困惑，从而学会做出难吃的食物。
DGLD 的诀窍：它在训练过程中设置了一个“信任过滤器”。它告诉人工智能：“在学习具体目标（制造超级燃料）时，只密切关注那 3,000 种经过真实测试的配方。对于其余 63,000 种粗略估算，仅利用它们来学习烹饪的通用规则（分子长什么样），但不要让它们决定最终的味道。”这防止了人工智能被劣质数据误导。
2. “多工具指南针”（采样阶段）
一旦人工智能开始“构想”新分子，它就需要引导。想象人工智能正穿过一片迷雾森林寻找特定宝藏。
- 标准人工智能要么直线行走，要么随机游荡。
- DGLD则为人工智能配备了一个多工具指南针。这个指南针拥有六根不同的指针，分别指向不同的方向：它安全吗？它稳定吗？它威力大吗？它易于制造吗？
- 每当人工智能迈出一步，指南针就会将其轻轻推回正轨。如果人工智能开始偏离向危险或不稳定的分子，指南针会将其推回；如果它偏离向性能较弱的方向，指南针会将其引向更强大的方向。关键在于，人工智能可以随意开启或关闭这些指针，而无需重新学习如何行走。
3. “四阶段安全审查”（验证阶段）
人工智能吐出了一份包含 40,000 种潜在新分子的清单。其中大多数都是垃圾。DGLD 将它们送入一个严格的安全漏斗中进行筛选：
- 阶段 1（守门员）：快速化学规则检查。是否含有危险原子？是否过大？如果是，立即淘汰。
- 阶段 2（裁判）：计算机根据威力、安全性以及与旧配方的差异程度，对幸存者进行排名。
- 阶段 3（压力测试）：快速物理模拟检查分子的电子是否稳定。如果它看起来仅仅因为存在就会爆炸，则予以淘汰。
- 阶段 4（黄金标准）：最终剩下的 12 个候选分子将接受全面、缓慢且超精确的物理审计（称为密度泛函理论，DFT）。这是“真实实验室”级别的模拟。
结果：发现黄金
在完成整个流程后，DGLD 发现了12 种全新分子，它们通过了最终的物理审计。
- 明星选手（L1）：一种名为3,4,5-三硝基 -1,2-异噁唑的分子。它在结构上独一无二（与旧配方截然不同），且性能与我们目前最好的燃料相当。
- 亚军（E1）：另一种来自完全不同家族的新分子，其威力可能更强，尽管需要进一步的安全性检查。
其他方法为何失败
该论文将 DGLD 与三种其他流行的 AI 方法进行了测试：
- 方法 A（SMILES-LSTM）：它就像一个只死记硬背教科书的学生。18% 的情况下，它只是完全复制了旧分子。
- 方法 B（SELFIES-GA）：它发现了一种在快速检查中看起来完美的分子，但在进行真实的物理审计时却崩溃了。这是一个虚假的假象。
- 方法 C（REINVENT 4）：它发现了一些新颖奇特的分子，但它们的威力不足以超越旧有的冠军。
核心结论：
DGLD 是唯一一种成功找到了既完全新颖又实际强大到足以实用分子的方法，且这一切都是在标准计算机硬件上完成的。作者已发布了他们的代码以及这 12 种新分子的清单，以便化学家们能在真实实验室中尝试合成它们。他们估计，只需几天的计算机运行时间，下一代超级燃料就可能被发现并准备好进行合成。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。