arXiv cs.AI· Chenghao Jia, Mengdi Liu, Hong Chang, Shiguang Shan, Xilin Chen·· 9 天前AI 评分27
MAST：基于模体增强扩散与搜索树的波谱分子结构解析
MAST: Motif-Augmented Diffusion with Search Tree for Spectroscopic Molecular Structure Elucidation
AI 导读
MAST 是一个模体增强扩散框架，结合搜索树实现 2D-3D 联合波谱分子结构解析，在去噪过程中引入可解释的模体先验作为中间证据，并将扩散采样转化为奖励引导的树搜索。在 QM9S 多谱基准上，MAST 实现 94.89% 的精确恢复率，同时提升 3D 保真度并保持高化学有效性与稳定性。代码已开源。
正文 · AI 翻译
摘要：从光谱中阐明分子结构是化学与材料表征中的一个基础问题，但由于光谱的模糊性和庞大的分子空间，这一问题仍然充满挑战。尽管近期基于扩散的生成器在光谱条件化阐明方面展现出强大前景，但现有方法在仅依赖全局光谱表示时，难以从有限的配对数据中学习稳健的光谱-结构关系。此外，重复的全采样推理策略会带来大量计算开销。为解决这些局限，我们提出 \textbf{MAST}，一个带有 \textbf{搜索树} 的 \textbf{基元增强} 扩散框架，用于联合 2D-3D 光谱分子结构阐明。MAST 在去噪过程中引入显式、可解释的 \emph{基元先验} 作为中间证据，减少条件模糊性并促进光谱条件化优化。我们进一步将扩散采样转化为 \emph{奖励引导的树搜索}，以优先选择高奖励的去噪轨迹，从而在有限预算下生成一小组与光谱一致的候选结构。在 QM9S 多光谱基准上，MAST 实现了 \textbf{94.89\%} 的精确恢复率并提升了 3D 保真度，同时保持较高的化学有效性和稳定性。代码可在 此 https URL 获取。
| 学科： | 化学物理（physics.chem-ph）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.12067 [physics.chem-ph] |
| （或 arXiv:2610.12067v1 [physics.chem-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12067 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mengdi Liu [查看邮箱]
[v1]
2026年10月8日星期四 14:45:56 UTC（2,227 KB）
来源：arXiv cs.AI · arxiv.org