[논문 리뷰] GraphDF: A Discrete Flow Model for Molecular Graph Generation

Youzhi Luo, Keqiang Yan외 1명|arXiv (Cornell University)|2021. 02. 01.

Machine Learning in Materials Science참고 문헌 42인용 수 30

한 줄 요약

GraphDF는 가역적인 모듈로 시프트 변환을 사용하는 이산 잠재 변수 흐름으로 분자 그래프 생성을 수행하여, 이전 방법들보다 생성 및 최적화 작업에서 우수한 성능을 달성한다.

ABSTRACT

We consider the problem of molecular graph generation using deep models. While graphs are discrete, most existing methods use continuous latent variables, resulting in inaccurate modeling of discrete graph structures. In this work, we propose GraphDF, a novel discrete latent variable model for molecular graph generation based on normalizing flow methods. GraphDF uses invertible modulo shift transforms to map discrete latent variables to graph nodes and edges. We show that the use of discrete latent variables reduces computational costs and eliminates the negative effect of dequantization. Comprehensive experimental results show that GraphDF outperforms prior methods on random generation, property optimization, and constrained optimization tasks.

연구 동기 및 목표

• 이산 데이터 표현과 화학 규칙에 관한 관점에서 분자 그래프 생성을 동기 부여한다.
• 그래프 생성을 위한 이산 잠재 변수 흐름 프레임워크를 제안한다.
• 디퀀타이제이션 제거 및 제이콥시안 계산 없이 효율적인 생성을 가능하게 한다.
• 결합 원자의 결합가 체크 및 자기회귀 구조를 통해 화학적 타당성을 포함한다.
• 무작위 생성 및 최적화 실험을 통해 효과를 입증한다.

제안 방법

• 그래프를 이산 잠재 변수로 이루어진 순차적 노드 및 간선 생성 단계로 표현한다.
• 노드용 다항 분포 잠재 변수 z_i와 간선용 z_ij를 각각 사용한다.
• 이산 모듈로 시프트 변환 q(z) = (z + mu) mod t를 적용하여 잠재를 그래프 요소로 매핑한다.
• 생성된 부분 그래프에 조건화된 공통 관계형 GCN을 통해 mu_i^d 및 mu_ij^d를 계산한다.
• 이산 가역 매핑을 통한 최대우도 학습; 순회 깊이 우선 탐색(BFS) 순서 및 이산 역변환을 통한 추론.
• 특성 최적화 및 제약 최적화를 위한 강화 학습(PPO)으로 선택적으로 미세 조정한다.

실험 결과

연구 질문

• RQ1 이산 잠재 변수 흐름이 디퀀타이제이션 왜곡을 피하면서 분자 그래프의 분포를 정확하게 모델링할 수 있는가?
• RQ2 분자 그래프 생성 과제에서 이산 흐름 모델이 연속 잠재 변수 흐름 모델보다 성능이 우수한가?
• RQ3 GCN 조건화를 통한 그래프 구조 정보의 도입이 생성 품질과 화학적 타당성에 어떤 영향을 미치는가?
• RQ4 최신 Baselines와 비교하여 GraphDF가 특성 최적화 및 제약 최적화 벤치마크에 미치는 영향은 무엇인가?

주요 결과

• GraphDF는 여러 데이터셋에 걸친 여러 분자 생성 과제에서 이전 방법들보다 우수한 성능을 보인다.
• 모델은 보고된 결과에서 무작위 생성 실험 전체에서 100% 타당성과 재구성률을 달성한다.
• 모듈로 시프트 흐름을 갖춘 이산 잠재 변수는 제이콥시안 계산을 피하고 디퀀타이제이션 관련 이슈를 제거하여 계산 비용을 감소시킨다.
• 밸런시 검사와 함께 순차적 자기회귀 생성을 통해 화학적 타당성과 다양한 출력이 보장된다.
• GraphDF는 특성 최적화(Penalized logP 및 QED) 및 유사도 제약 하의 제약 최적화에서 뛰어난 성능을 보인다.
• 이 방법은 분자 그래프를 넘어 일반 그래프 데이터에서도 경쟁력 있는 결과를 보여준다.