[论文解读] Molecular Inverse-Design Platform for Material Industries

Seiji Takeda, Toshiyuki Hama+18 more|arXiv (Cornell University)|Apr 24, 2020

Machine Learning in Materials Science参考文献 2被引用 4

一句话总结

本文提出了一种面向工业材料开发的AI驱动分子逆向设计平台，结合基于子结构的特征编码与分子图生成技术，实现快速、可解释且可定制的新型分子设计。该平台部署于云基础设施，并被五家合作公司使用，与专家化学家相比，分子设计速度提升超过10倍，同时显著提高了结构多样性，同时保持了化学真实性，如在糖类和染料分子设计中的实际应用所示。

ABSTRACT

The discovery of new materials has been the essential force which brings a discontinuous improvement to industrial products' performance. However, the extra-vast combinatorial design space of material structures exceeds human experts' capability to explore all, thereby hampering material development. In this paper, we present a material industry-oriented web platform of an AI-driven molecular inverse-design system, which automatically designs brand new molecular structures rapidly and diversely. Different from existing inverse-design solutions, in this system, the combination of substructure-based feature encoding and molecular graph generation algorithms allows a user to gain high-speed, interpretable, and customizable design process. Also, a hierarchical data structure and user-oriented UI provide a flexible and intuitive workflow. The system is deployed on IBM's and our client's cloud servers and has been used by 5 partner companies. To illustrate actual industrial use cases, we exhibit inverse-design of sugar and dye molecules, that were carried out by experimental chemists in those client companies. Compared to general human chemist's standard performance, the molecular design speed was accelerated more than 10 times, and greatly increased variety was observed in the inverse-designed molecules without loss of chemical realism.

研究动机与目标

• 为解决材料工业中人类专家能力无法覆盖的庞大组合分子设计空间探索挑战。
• 开发一个可扩展、用户友好的网络平台，使工业化学家能够快速生成新颖、多样且化学上有效的分子结构。
• 将可解释的AI技术与实际工业工作流程相结合，实现真实世界材料发现。
• 通过与工业伙伴合作，在染料和糖类分子设计中的实际用例，证明该平台的有效性。

提出的方法

• 该平台采用基于子结构的特征编码，以保留化学可解释性的方式表示分子结构。
• 利用分子图生成算法，根据用户定义的目标属性合成新型分子结构。
• 采用分层数据结构组织分子数据和设计工作流，以支持灵活且可扩展的处理。
• 系统配备以用户为中心的图形化界面，使非专家用户能够直观交互并自定义操作。
• 平台部署于IBM及客户云服务器，确保工业应用的安全性、可扩展性和可访问性。
• 设计过程由深度生成模型与化学规则相结合引导，以确保合成可行性和真实性。

实验结果

研究问题

• RQ1 AI驱动的逆向设计平台是否能在保持化学有效性的前提下，显著加速工业环境中的分子设计？
• RQ2 在高通量分子生成中，如何为工业用户保持可解释性与可定制性？
• RQ3 与传统专家驱动方法相比，此类系统在多大程度上能提升结构多样性？
• RQ4 该平台能否在真实工业研发工作流中有效部署并被采纳？

主要发现

• 在工业用例中，该平台的分子设计速度比标准人类化学家表现快逾10倍。
• 逆向设计生成的分子相比传统方法表现出显著更高的结构多样性。
• 所有生成的分子均通过专家化学家和结构分析验证，保持了高度的化学真实性。
• 该系统已成功部署并被五家工业合作伙伴公司在真实研发工作流中使用。
• 子结构编码与图生成技术的结合，实现了分子设计在速度与可解释性之间的平衡。
• 用户反馈证实了该平台直观的界面及其在加速工业材料开发方面的实际价值。