DEMO: تحسين تطوري قائم على الانتشار لتوليد الجزيئات ثلاثية الأبعاد ذات الأهداف المتعددة

تحسين خصائص الأهداف المتعددة مع تلبية القيود الهيكلية هو تحدٍ كبير في اكتشاف الجزيئات ثلاثية الأبعاد. تنشأ هذه الصعوبة لأن أهداف التحسين يمكن أن تكون غير قابلة للاشتقاق وغالبًا ما تكون العلاقة بين الهيكل والخاصية غير معروفة. تُستخدم الخوارزميات التطورية (EAs) على نطاق واسع لتحسين الأهداف المتعددة للعثور على واجهات باريتو، وقادرة بشكل طبيعي على التعامل مع القيود الهيكلية دون أي نمذجة صريحة؛ ومع ذلك، في الفضاء الجزيئي ثلاثي الأبعاد، تفتقر إلى آليات لضمان الصلاحية الكيميائية وبالتالي تكون عرضة لإنتاج هياكل غير صالحة. بالعكس، تبرز نماذج الانتشار في توليد الجزيئات ثلاثية الأبعاد الكيميائية الصالحة ولكنها تتطلب عادةً تعديل النموذج وإعادة التدريب لتضمين القيود الهيكلية. علاوة على ذلك، لا تُصمم نماذج الانتشار بطبيعتها للتحسين المباشر متعدد الأهداف وتكافح لاستكشاف واجهة باريتو لتوزيع الخصائص المتعلم - وهي قدرة حاسمة لاكتشاف جزيئات جديدة ذات أداء عالي. لسد هذه الفجوة، نقترح خوارزمية تطورية متعددة الأهداف ثلاثية الأبعاد جديدة تستفيد من القوة التوليدية لنموذج الانتشار المدرب مسبقاً. بدلاً من التعامل مع الجزيئات مباشرة في الفضاء الكيميائي المعقد، تُجري طريقتنا عمليات تقاطع في مساحة الضوضاء المحددة من خلال عملية النموذج التقدمي، مما يمكّن ميزات الوالدين أو القطع المرغوبة من الاندماج في النسل. ثم تستعيد عملية إزالة الضوضاء الخاصة بالنموذج المدرب مسبقاً الصلاحية الهيكلية. الطريقة قابلة للتجميع بدرجة عالية، ولا تتطلب إعادة تدريب، ويمكن دمجها بسهولة مع طرق الإرشاد الحالية لتحسين الاكتشاف. تظهر النتائج التجريبية أداءً قويًا في مهام تحسين الأهداف الأحادية والمتعددة، وفي تحسين القيود الهيكلية.