图神经网络实战——MolGAN详解与实现

0. 前言

在本节中，我们将实现一个基于生成对抗网络 (Generative Adversarial Network, GAN) 的图生成模型 molecular GAN (MolGAN)，该模型结合了生成器、鉴别器和来自强化学习的奖励网络。这种架构不仅能简单地模仿训练过程中看到的图，还能优化所需的特性，如溶解性等，本节将使用 DeepChem 和 TensorFlow 创建独特而有效的分子。这类图生成模型在药物发现行业十分常见，可以大大加快药物开发的速度。

1. MolGAN 介绍

molecular GAN (MolGAN) 是由 De Cao 和 Kipf 于 2018 年提出深度图生成架构。它结合了带有梯度惩罚的 WGAN (Wasserstein Generative Adversarial Network) 模型(直接处理图结构数据)和强化学习 (Reinforcement Learning, RL) 损失(生成具有所需化学特性的分子)，RL 损失基于深度确定性策略梯度 (