超越药物发现：纳米技术分子优化基准 Beyond Drug Discovery: The Nanotechnology Molecular Optimization (NMO) Benchmark

NMO基准的工作流程如下：生成代理输出一个分子字符串表示（可以是SMILES或GGS）。对于GGS表示，基准后端解析字符串，构建功能纳米结构（单分子结或SAM），执行3D几何优化，然后运行复杂的量子模拟。对于每个任务，适应度函数定义为 $f_{task}(x) = c_{task} \cdot O_{task}(x) \cdot PSA_{task}(x) \cdot Prot(x) \cdot \Theta(x)$，其中 $O_{task}(x)$ 是感兴趣的物理属性，$PSA_{task}(x)$ 是基于合成可及性评分的惩罚，$Prot(x)$ 是旋转键数量的惩罚，$\Theta(x)$ 是硬性物理约束（如果分子不符合标准则适应度为零）。基线方法的训练过程包括：首先在30万个随机GGS图的合成数据集上预训练模型，建立基础的有效性先验；然后在优化阶段，模型通过Genetic GFN框架探索化学空间，使用遗传操作（交叉、变异）生成新的候选分子，并通过oracle评估获得适应度分数；模型根据这些反馈更新策略，同时在辅助任务上预测分子描述符以防止潜在空间坍缩。

技术新颖性体现在多个方面：GGS表示是第一个原生支持电极结合位点的分子表示方法，它通过DAG结构跟踪每个节点的价态和可用耦合位点，只允许化学上可能的连接，确保每个生成的图都描述一个有效的分子。合成预训练策略避免了药物数据集的分布偏差，这是一个通用原则，可以应用到其他领域特定数据稀缺的场景。严格基准协议的设计，特别是禁止任务特定数据集和强制单一配置的要求，在分子设计基准中是不常见的，这使得NMO成为一个真正的通用能力测试。此外，本文将三个具有科学实用性的纳米技术任务标准化为机器学习基准，这本身就是一项创新，因为它需要深入理解量子物理和机器学习两个领域。

尽管基线方法取得了良好的结果，但仍有一些可以改进的方向。首先是计算效率：目前每次oracle调用需要1-5秒（取决于任务和分子大小），10000次调用的预算意味着完整优化需要数小时。虽然这已经相对高效，但更快的近似方法或并行化可以加速探索。其次是表示的灵活性：GGS虽然保证有效性，但片段库的设计隐式地限制了搜索空间。对于某些任务，更灵活的表示（如SMILES加上后处理验证）可能探索到更好的区域，特别是在MO任务上观察到GGS降低了AUC。第三是预训练数据的质量：虽然合成预训练避免了药物偏差，但完全随机的图可能不是最优的先验。可以考虑基于化学原理或领域知识设计更智能的合成分布。第四是稳定性控制机制：动态冷却和动态探索虽然有效，但它们的超参数可能需要调整以适应不同任务。更自适应的机制可能会更好。最后是评估指标：虽然Top-10 AUC和RI都很好，但它们关注的是最终结果，缺乏对优化过程的理解。可以引入中间指标来分析方法的探索-利用平衡。

作者提出的未来方向包括：在纳米技术社区内整合NMO，收集实验验证结果以增强基准的科学可信度。扩展任务到其他纳米技术领域，如金属有机框架或更广泛的功能材料。探索更高精度的量子化学方法（如DFT）作为验证或替代oracle。基于成果可延伸的方向包括：开发更先进的锚点建模方法，如通过辅助任务或潜变量来学习最优结合位置。研究在NMO类任务上表现更好的新架构，特别是能够处理崎岖能量景观和硬约束的方法。探索多任务学习，同时在三个NMO任务上训练以获得更好的泛化能力。将NMO的严格协议应用到其他领域，如催化剂设计或有机电子学。最后，随着更多方法在NMO上测试，可以建立一个排行榜来跟踪进展，类似于PMO或其他基准。

论文的复现性总体上是良好的。作者提到NMO基准套件是完全可访问的，后端自动处理复杂的量子模拟，使得ML研究者无需物理背景就能使用。对于基线方法，论文提供了详细的方法描述和消融研究，包括架构选择、超参数设置和训练细节。虽然没有明确提到代码是否开源，但论文描述的方法足够详细，经验丰富的研究者应该能够复现。计算资源方面，每次oracle调用需要1-5秒，10000次调用的预算意味着每个种子需要数小时，完整评估（5个种子）需要数天到一周的计算时间，这对大多数研究机构来说是可行的。数据方面，论文提供了片段库和合成预训练数据集的SMILES翻译版本，确保所有方法都能访问相同的基础知识。然而，一个潜在的问题是半经验xtb包的实现细节可能影响结果的可比性，如果不同版本或实现产生略有不同的物理属性。总体而言，这篇论文的复现性处于机器学习论文的中上水平，特别是考虑到它涉及跨领域的技术。