Verifizierer‑gestützte Fluss‑Erweiterung: Mehr Entdeckungen jenseits vorhandener Daten

Flow‑ und Diffusionsmodelle werden üblicherweise mit begrenzten Daten vortrainiert, etwa mit wenigen Molekülproben. Dadurch lernen sie nur einen kleinen Ausschnitt des gesamten Designraums und erzeugen anschließend meist nur noch Varianten aus diesem engen Bereich. Für wissenschaftliche Entdeckungsaufgaben, bei denen neue, valide Designs außerhalb der vorhandenen Datenverteilung gesucht werden, ist das ein gravierendes Hindernis.

Die vorgestellte Methode nutzt einen sogenannten Verifizierer – etwa einen Prüfer für atomare Bindungen – um ein vortrainiertes Flussmodell gezielt zu erweitern. Ziel ist es, die Dichte des Modells in Regionen zu vergrößern, in denen Daten knapp sind, ohne die Gültigkeit der erzeugten Samples zu gefährden. Dazu werden formale Konzepte von starken und schwachen Verifizierern eingeführt und algorithmische Rahmenwerke für globale sowie lokale Fluss‑Erweiterung mittels Optimierung im Wahrscheinlichkeitsraum entwickelt.

Im Kern steht der Flow Expander (FE), ein skalierbares Mirror‑Descent‑Verfahren, das die Entropie des Flussprozesses im verrauschten Zustandsraum maximiert, wobei die Verifiziererbedingungen strikt eingehalten werden. FE löst damit beide Probleme – globale und lokale Erweiterung – und liefert theoretische Konvergenzgarantien sowohl unter idealisierten als auch unter allgemeineren Annahmen.

Die Wirksamkeit des Ansatzes wurde in exemplarischen, leicht interpretierbaren Szenarien sowie in einer molekularen Designaufgabe getestet. Dort konnte FE die Vielfalt der erzeugten Konformer signifikant steigern, während die Validität der Moleküle erhalten blieb. Damit eröffnet die Methode neue Möglichkeiten, valide Entdeckungen weit über die Grenzen der vorhandenen Daten hinaus zu generieren.