Neuro-Symbolische Graphgenerierung: Kontrolle und Garantien für Moleküle

In einer wegweisenden Studie stellen Forscher die Grenzen reiner Deep‑Learning‑Ansätze für die Molekül- und Graphgenerierung in den Fokus. Diese Methoden sind zwar leistungsfähig, jedoch schwer steuerbar und bieten keine formalen Sicherheitsgarantien.

Um diese Lücken zu schließen, präsentiert das Team das Neuro‑Symbolic Graph Generative Modeling (NSGGM). Dabei wird die Molekülgenerierung als Kombination aus Scaffold‑ und Interaktionslernen mit symbolischer Montage neu gedacht. Ein autoregressives neuronales Modell schlägt zunächst Grundgerüste vor und verfeinert die Interaktionssignale, während ein CPU‑effizienter SMT‑Solver die vollständigen Graphen konstruiert und dabei chemische Gültigkeit, strukturelle Regeln sowie benutzerspezifische Vorgaben strikt einhält.

Das Ergebnis sind Moleküle, die „von Bau auf Bau“ korrekt sind und deren Entstehung nachvollziehbar gesteuert werden kann – ein Merkmal, das reine neuronale Verfahren nicht liefern können. NSGGM erzielt dabei eine starke Performance sowohl bei unbeschränkten als auch bei stark eingeschränkten Generierungsaufgaben und demonstriert damit, dass neuro‑symbolische Modelle den aktuellen Stand der Technik erreichen und gleichzeitig explizite Kontrollmöglichkeiten und Garantien bieten.

Zur Bewertung der feinen Steuerbarkeit wurde zudem ein neues Benchmark, das Logical‑Constraint Molecular Benchmark, eingeführt. Es prüft die Einhaltung strenger Hard‑Rules in Workflows, die explizite, interpretierbare Spezifikationen und überprüfbare Konformität erfordern.