alexhernandezgarcia/gflownet

解决的问题

该库提供了一个用于训练和扩展生成流网络（GFlowNets）的框架，GFlowNets旨在根据奖励函数按比例采样多样化的对象。这在科学发现问题中特别有用——例如蛋白质、分子或晶体的逆向设计，其目标是找到多个高奖励解，而非单一最优解。

工作原理

GFlowNets 使用组合性原则，将复杂对象的生成分解为一系列中间状态。该库通过四个核心组件实现这一点：

• Environment：定义状态空间和动作空间（例如，一个俄罗斯方块棋盘或一个拼字游戏单词）。
• Proxy：一个函数或模型，为给定状态提供奖励（例如，单词价值评分器或预测分子能量的预训练模型）。
• Policy Models：神经网络（通常是MLP），用于建模状态之间的前向和后向转移。
• GFlowNet Agent：中心协调器，管理环境、策略和代理之间的交互，并使用各种损失函数优化策略。

适用人群

从事概率生成建模的研究人员和开发者，特别是专注于科学发现、材料科学和分子设计的群体。

主要亮点

• 多种优化目标：支持流匹配（FM）、轨迹平衡（TB）、详细平衡（DB）和前瞻（FL）损失函数。
• 可扩展架构：设计为便于实现自定义环境和奖励代理。
• PyTorch 集成：基于 PyTorch 构建，并与 Weights & Biases 集成以进行实验追踪。
• 科学应用支持：包含材料和分子建模的特定依赖项（例如，Crystal-GFN）。