DiMOS: Doob-Guided Inference-Time Multi-Objective Search for Scientific Design

{"tags": ["DiMOS", "Diffusion Models", "AI for Science", "Inference-Time Guidance", "Multi-Objective Optimization", "Protein Design", "DNA Design", "RNA Design"], "risks": ["Chi phí tính toán tại thời điểm suy luận (inference compute) vẫn gia tăng do phải lấy mẫu cục bộ và tìm kiếm quỹ đạo.", "Độ chính xác và tính khả thi của chuỗi phụ thuộc vào chất lượng của các mô hình reward/oracle hộp đen được sử dụng.", "Khả năng mở rộng sang các lĩnh vực thiết kế khoa học khác ngoài phân tử sinh học (DNA/RNA/protein) cần thêm kiểm chứng thực nghiệm."], "category": "Research", "entities": ["DiMOS", "Masked Diffusion Models", "Doob-guided local resampling"], "summary_vi": "DiMOS là khung làm việc không cần huấn luyện lại (training-free) dành cho thiết kế khoa học đa mục tiêu trên nền các mô hình masked diffusion đã đóng băng. Phương pháp này giải quyết hai rào cản lớn trong dẫn đường thời điểm suy luận (inference-time guidance): thiếu gradient từ hàm thưởng hộp đen/ràng buộc nhị phân và không gian nghiệm khả thi hẹp khi phải thỏa mãn đồng thời nhiều mục tiêu. DiMOS sử dụng phần thưởng kết hợp từ các ứng viên để thực hiện tái lấy mẫu cục bộ định hướng Doob (Doob-guided local resampling) không cần gradient, kết hợp tìm kiếm quỹ đạo tiết kiệm ngân sách tính toán. Thử nghiệm trên 6 tác vụ DNA, protein và RNA cho thấy DiMOS đạt tỷ lệ thành công kết hợp cao nhất ở thời gian tạo tương đương, vượt tới 1.98 lần so với baseline mạnh nhất trên DNA và protein trong khi vẫn duy trì tính tự nhiên và độc nhất của chuỗi.", "key_changes": ["Đề xuất DiMOS: framework không cần huấn luyện lại (training-free) phục vụ thiết kế khoa học đa mục tiêu dựa trên mô hình masked diffusion đã đóng băng.", "Sử dụng cơ chế tái lấy mẫu cục bộ xấp xỉ có định hướng Doob (approximate Doob-guided local resampling) để dẫn đường suy luận mà không cần gradient từ mô hình reward dạng hộp đen hoặc ràng buộc nhị phân.", "Ứng dụng kỹ thuật tìm kiếm quỹ đạo tiết kiệm ngân sách tính toán (budget-efficient trajectory search) nhằm phân bổ tài nguyên suy luận vào các chuỗi tiếp nối hứa hẹn.", "Đạt tỷ lệ thành công chung cao nhất trên 6 tác vụ DNA, protein và RNA, cao gấp tới 1.98 lần baseline mạnh nhất trên DNA và protein, đồng thời giữ nguyên độ tự nhiên và tính độc nhất của chuỗi."], "sub_category": "AI for Science / Sinh học tính toán", "novelty_score": 80, "business_score": 72, "research_score": 85, "why_it_matters": "Trong công nghệ sinh học và phát triển dược phẩm, việc fine-tuning các mô hình generative lớn cho từng tổ hợp mục tiêu/ràng buộc mới là rất tốn kém và bất khả thi nếu hàm đánh giá không có đạo hàm. DiMOS cung cấp giải pháp dẫn đường suy luận hiệu quả mà không cần huấn luyện thêm, cải thiện tỷ lệ thành công lên tới 1.98 lần, giúp doanh nghiệp và nhà nghiên cứu đẩy nhanh quá trình sàng lọc ứng viên phân tử tối ưu với chi phí điện toán thấp hơn.", "developer_score": 70, "importance_score": 78, "possible_use_cases": ["Thiết kế chuỗi sinh học đa tiêu chí: Tối ưu đồng thời cấu trúc, hoạt tính và tính ổn định cho phân tử DNA, protein và RNA.", "Tối ưu hóa suy luận với mô hình đánh giá hộp đen: Ứng dụng trong các bài toán khoa học có hàm đánh giá (oracle/reward) không khả vi hoặc ràng buộc pass/fail.", "Tiết kiệm chi phí R&D sinh học: Tận dụng các mô hình masked diffusion nền tảng sẵn có mà không cần chi phí fine-tuning tốn kém."], "actionability_score": 74}