Diffusion Models for Molecules: A Survey of Methods and Tasks

分子生成任务，包括但不限于分子生成，在药物发现和材料设计中至关重要，并且一直备受关注。近年来，扩散模型作为一类令人印象深刻的深度生成模型崭露头角，激发了广泛的研究，并导致了大量关于其在分子生成任务中应用的研究。尽管相关工作层出不穷，但该领域仍然缺乏最新的系统性综述。特别是由于扩散模型公式、分子数据模式和生成任务类型的多样性，研究领域难以驾驭，阻碍了理解和限制了该领域的增长。为了解决这一问题，本文对基于扩散模型的分子生成方法进行了全面的综述。我们从方法论公式、数据模式和任务类型的角度系统地回顾了相关研究，并提出了一个新的分类法。本综述旨在促进对该领域的理解并推动其进一步繁荣发展。相关论文总结见：https://github.com/AzureLeon1/awesome-molecular-diffusion-models。

该论文试图系统性地解决分子生成任务中扩散模型应用的复杂性和多样性问题，特别是针对药物发现和材料设计领域。这是一个相对较新的问题，因为扩散模型在分子生成中的应用是近年来才开始受到广泛关注。

关键思路在于提供一个全面且系统的综述，从方法论、数据模态和任务类型三个角度对基于扩散模型的分子生成方法进行分类和总结。相比现有研究，这篇论文提出了一个新的分类法，帮助研究人员更好地理解和导航这一领域的研究成果。

论文的亮点包括：1) 提出了一个新颖的分类体系，涵盖多种扩散模型的变体、不同的分子数据表示方式以及各种生成任务；2) 涵盖了广泛的文献，总结了最新的研究进展；3) 提供了一个GitHub仓库（https://github.com/AzureLeon1/awesome-molecular-diffusion-models），汇集了相关论文和资源，便于后续研究；4) 强调了未来的研究方向，如改进模型的可解释性和泛化能力。

最近的相关研究包括：1) 使用图神经网络进行分子生成的任务；2) 基于自回归模型的分子生成；3) 利用强化学习优化分子结构。一些相关的论文标题有《Graph Neural Networks for Molecular Generation》、《Autoregressive Models for Molecular Design》和《Reinforcement Learning for Molecular Optimization》。