Physics-Aware Auxiliary Losses Improve Out-of-Distribution Generalization of a GNN Synthesizability Filter
本文表明，将廉价的闭式物理先验（具体为拓扑复杂度和应变能）作为辅助损失函数引入图神经网络，能显著提高其在预测分子合成可合成性方面的分布外泛化能力，同时也强调了进行多种子评估对于避免从单种子实验中得出误导性结论的至关重要性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一下，你正在建造一个用于为餐厅发明新食谱的机器人厨师。这个机器人极具创意；它每秒钟可以炮制出数百万个独特的菜肴构思。然而，有一个问题：这个机器人经常会提出一些在现实厨房里无法烹饪的菜肴（比如用玻璃做的蛋糕，或者需要一种并不存在的火才能煮出的汤）。
为了阻止机器人浪费时间在这些不可能实现的构思上，你雇佣了一位“厨房检查员”（一个计算机程序）来检查这些食谱。问题在于，这位检查员只接受过标准、日常食谱（如披萨和意面）的训练。当机器人提出一种来自不同文化、它从未见过的奇特、异域菜肴时，检查员就会感到困惑，并开始错误地拒绝好的构思或接受坏的构思。
这篇论文是关于如何让这位“厨房检查员”变得更聪明，使其在看到新事物时不会惊慌失措。
问题所在：“书呆子”检查员
目前的检查员（被称为 SAScore、SCScore 等）就像是只背诵了特定教科书的学生。它们非常擅长给那些看起来与书中完全一致的食谱打分。但如果给它们一本完全不同的书（不同的“数据分布”）里的食谱，它们就会失败。它们纯粹依赖统计学：“这种食材组合看起来很奇怪，所以它一定是坏的。”
作者想知道：我们能否教给检查员一些基本的物理定律，让它理解为什么一个食谱可能是无法实现的，即使它从未见过那个特定的食谱？
解决方案：加入“常识”物理学
作者并没有仅仅向检查员喂入更多食谱，而是在其训练过程中加入了两条简单的“物理规则”作为额外的作业。把这想象成给检查员戴上了两副新的眼镜：
“缠绕绳索”规则（拓扑复杂度）：
想象一个食谱要求把一根绳子系成一个极其紧密的结，以至于把绳子弄断。AI 学习识别何时一个分子结构过于“缠绕”或复杂，以至于在现实中是不存在的，这是基于一个数学上的复杂度度量（Bertz 指数）。这就像是学习到有些结在不弄断绳子的情况下是物理上无法系成的。“挤压弹簧”规则（应变能）：
想象一个食谱要求你弯曲一把金属勺子直到它折断。在化学中，这被称为“应变（strain）”。如果一个分子被弯曲或扭曲的方式使其变得不稳定（就像一个承受着过大压力的弹簧），那么它就很难制造出来。AI 学习使用一个标准的物理计算器（MMFF94）来寻找这些“被挤压的弹簧”，并惩罚那些看起来过于紧张（strained）的食谱。
实验：“新菜系”测试
作者在一个大规模的、标准的“类药性”分子数据集（即日常食谱）上训练了他们的 AI。然后，他们在自然界中发现的一组完全不同的分子（天然产物）上对其进行了测试，这些分子通常更加奇特且复杂。
他们用不同的随机起点运行了五次测试，以确保结果不仅仅是运气使然。
结果：微小但真实的进步
以下是他们的发现：
- “教科书”内部： 当在与 AI 训练类似的分子上进行测试时，新的物理规则并没有改变任何东西。AI 在处理它已知的食谱时已经非常完美了。
- “教科书”之外（真正的测试）： 当 AI 必须对那些奇怪的、新的“天然产物”食谱进行评分时，带有物理规则的版本比标准版本表现得更好。
- 标准 AI 的得分为 0.977。
- 带有“缠绕绳索”规则的 AI 提升到了 0.983。
- 带有“挤压弹簧”规则的 AI 提升到了 0.980。
- 同时拥有两种规则的 AI 提升最多，达到了 0.984。
虽然这些数字看起来很小（差距不到 1%），但在 AI 领域，这是一个具有统计学意义的胜利。这意味着当遇到全新的事物时，AI 能够稍微更好地预测什么是可能的。
警告：不要相信单次运行
作者还分享了一个警示故事。当他们第一次运行实验（仅使用一个随机种子）时，结果看起来很奇怪且令人困惑。看起来物理规则有时甚至会损害 AI 的表现。但当他们运行了五次并查看平均值时，“奇怪”的故事消失了，清晰且积极的趋势显现了出来。
教训： 在 AI 研究中，不要相信单次实验。你需要多次运行它以看到真实的故事，因为一次幸运（或不幸）的掷骰子可能会讲述一个假象。
总结
这篇论文证明了，通过赋予药物研发 AI 一点点“物理常识”（理解复杂度和应变），可以帮助它在遇到从未见过的创新分子时具有更好的泛化能力。它不需要一个复杂的物理引擎；只需将几个简单的、低成本的规则作为额外的训练任务加入其中，就足以让 AI 在现实世界中更加可靠。
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。