Neues Verfahren: GFlowNets ohne Training für Mehrziel-Generierung

Forscher haben ein innovatives Verfahren vorgestellt, das Generative Flow Networks (GFlowNets) ohne zusätzliche Trainingsschritte für die Erzeugung von Lösungen mit mehreren Zielen einsetzt. GFlowNets sind dafür bekannt, vielfältige Kandidaten proportional zu einer Belohnungsfunktion zu sampeln, was sie besonders geeignet für wissenschaftliche Entdeckungen macht.

Traditionell erfordern Multi‑Objective‑GFlowNets für jede neue Zielkonfiguration ein erneutes Training, was zeitaufwendig und rechenintensiv ist. Das neue Ansatzwerk nutzt stattdessen eine trainingsfreie Mischpolitik, die vortrainierte GFlowNets während der Inferenzzeit kombiniert. Dadurch lässt sich die Modellanpassung sofort und ohne Feinabstimmung durchführen.

Der Ansatz ist äußerst flexibel: Er kann sowohl lineare Skalarisierungen als auch komplexe nichtlineare logische Operatoren verarbeiten – Bereiche, die in früheren Arbeiten oft separat behandelt wurden. Für lineare Skalarisierungen wird sogar eine exakte Wiederherstellung der Zielverteilung bewiesen, während für nichtlineare Operatoren die Approximation durch einen definierten Verzerrungsfaktor quantifiziert wird.

Experimentelle Tests auf einem synthetischen 2‑D‑Raster sowie auf realen molekularen Generierungsaufgaben zeigen, dass die neue Methode Leistungen liefert, die mit denen von Modellen vergleichbar sind, die zusätzliche Trainingsschritte erfordern. Damit eröffnet sich ein vielversprechender Weg, komplexe Mehrzielprobleme schneller und ressourcenschonender zu lösen.