化学科学における新興パラダイムとしての生成モデル

化学種を設計する従来の計算手法は、判別モデリングなどによって膨大な数の候補の特性を計算する必要があるため、限界があります。したがって、逆設計手法は望ましい特性から出発し、それに対応する化学構造を最適化することを目指します。機械学習の観点から、逆設計問題はいわゆる生成モデリングを通じて対処できます。数学的には、判別モデルは分子または材料構造が与えられたときの特性の確率分布関数を学習することで定義されます。これに対して、生成モデルは目標特性を持つ化学種の結合確率を活用しようとします。生成モデリングの全体的なアイデアは、望まれる一連の化学的特徴を持つと予想される新規化合物を生成するシステムを実装することで、前方設計プロセスで直面する問題を効果的に回避することにあります。本稿では、生成敵対ネットワーク、変分オートエンコーダー、フローおよび拡散モデルといった代表的な生成アルゴリズムを概観し批判的に分析します。それぞれのモデルの主な違いを強調し、最近の成功例に関する洞察を提供するとともに、化学応用における生成モデリングの発見された解決策の実現に向けた未解決課題について議論します。