生成式采样器的常规诊断可能掩盖遗漏的构象态
- 论文从理论上说明,有效样本量等自归一化诊断无法察觉学习型采样器从未访问的能量盆地,因此自由能存在偏差,而置信区间看起来依然很窄。
- 研究在双势阱玩具模型、可精确枚举的自旋玻璃以及丙氨酸二肽的Boltzmann generator上验证,掩码扩散模型和GFlowNet的区间常常覆盖不到真值。
- 以独立参考采样器评估的反向检验能发现被遗漏的状态;对多肽和小蛋白的比较还表明,这类遗漏足以影响先导化合物优化的判断。
💡 要点 基于摘要的观点
ESS和bootstrap区间衡量的只是模型实际生成的样本之间是否一致,区间窄说明的是精度,而不是覆盖度。这和一段卡在单一旋转异构体里的MD轨迹照样能给出漂亮的分块平均误差棒,是同一个陷阱。放到我们自己的项目里,如果没有副本交换之类的独立参照,我们能发现隐蔽口袋或另一种结合构象的盆地被漏掉了吗?