MolHIT: 계층적 이산 확산 모델을 통한 분자 그래프 생성 발전

MolHIT: Advancing Molecular-Graph Generation with Hierarchical Discrete Diffusion Models

확산 모델을 활용한 분자 생성은 AI 기반 신약 개발 및 재료 과학 분야에서 유망한 방향으로 떠오르고 있다. 2D 분자 그래프의 이산적인 특성으로 인해 그래프 확산 모델이 널리 채택되었지만, 기존 모델들은 1D 모델링에 비해 화학적 타당성이 낮고 원하는 특성을 충족하는 데 어려움을 겪고 있다. 본 연구에서는 기존 방법들이 가지고 있던 오랜 성능 한계를 극복하는 강력한 분자 그래프 생성 프레임워크인 MolHIT을 소개한다. MolHIT은 화학적 사전 지식을 인코딩하는 추가 범주로 이산 확산을 일반화하는 계층적 이산 확산 모델(Hierarchical Discrete Diffusion Model)과, 원자의 화학적 역할에 따라 원자 유형을 분리하는 분리된 원자 인코딩(decoupled atom encoding)을 기반으로 한다. 전반적으로 MolHIT은 그래프 확산 모델 최초로 완벽에 가까운 타당성을 달성하며 MOSES 데이터셋에서 새로운 최고 성능(SOTA)을 기록했고, 다양한 지표에서 강력한 1D 베이스라인들을 능가했다. 나아가 다중 특성 유도 생성 및 스캐폴드 확장을 포함한 하위 태스크에서도 강력한 성능을 보여줌을 입증한다.

Molecular generation with diffusion models has emerged as a promising direction for AI-driven drug discovery and materials science. While graph diffusion models have been widely adopted due to the discrete nature of 2D molecular graphs, existing models suffer from low chemical validity and struggle to meet the desired properties compared to 1D modeling. In this work, we introduce MolHIT, a powerful molecular graph generation framework that overcomes long-standing performance limitations in existing methods. MolHIT is based on the Hierarchical Discrete Diffusion Model, which generalizes discrete diffusion to additional categories that encode chemical priors, and decoupled atom encoding that splits the atom types according to their chemical roles. Overall, MolHIT achieves new state-of-the-art performance on the MOSES dataset with near-perfect validity for the first time in graph diffusion, surpassing strong 1D baselines across multiple metrics. We further demonstrate strong performance in downstream tasks, including multi-property guided generation and scaffold extension.