论文页面 - 超越药物发现：纳米技术分子优化（NMO）基准测试

来源：https://huggingface.co/papers/2606.30170

摘要

纳米技术分子优化（NMO）基准测试引入了基于物理的分子设计挑战，需要新的生成模型方法，超越了专注于药物发现的指标，从而推动纳米技术领域的科学发现。

生成式分子设计受制于针对类药物性质的简单代理基准测试以及在大规模制药数据集上预训练的模型。这种组合虽然能获得强劲的基准测试指标，但却限制了向与药物发现结构不同的领域的迁移能力。为克服这一局限，并将发现推向真实、有科学依据的目标，我们引入了纳米技术分子优化（NMO）基准测试，该基准测试弥合了机器学习（ML）与量子材料科学之间的鸿沟。NMO既充当机器学习社区的严格试验平台，也作为纳米技术研究的发现引擎。该套件用量子模拟替代代理预测器，并引入严格的协议，优先考虑科学实用性而非排行榜导向的过拟合。基于物理的NMO任务施加了硬结构约束和崎岖的适应度景观，对生成模型提出了根本性的新要求。值得注意的是，先进的分子优化方法在NMO任务上的表现远不如简单方法。我们开发了一种新的基线方法，识别出解决NMO任务的关键组件，包括一种用于建模结构约束的新型表示，以及一种消除制药数据集偏差的领域无关预训练策略。我们的结果超越了最先进的物理性质，揭示了先前未知的结构基序，为纳米技术社区提供了新的见解，并证明机器学习能够驱动真正的科学发现。

查看 arXiv 页面 (https://arxiv.org/abs/2606.30170)查看 PDF (https://arxiv.org/pdf/2606.30170)GitHub1 (https://github.com/blaschma/TheNanotechnologyMolecularOptimizationBenchmark)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.30170)

在你的 agent 中获取此论文：

hf papers read 2606\.30170

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2606.30170 以将其链接至此页面。

引用此论文的数据集0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2606.30170 以将其链接至此页面。

引用此论文的空间0

没有 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2606.30170 以将其链接至此页面。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以将其链接至此页面。