在科學與技術的交匯點上，圖（Graphs）作爲表達複雜關係的重要工具，正在逐漸受到研究者的關注。從化學分子設計到社交網絡分析，圖在衆多領域扮演着不可或缺的角色。然而，如何高效、靈活地生成圖形，一直以來都是一個頗具挑戰性的問題。近日，塔夫茨大學、東北大學和康奈爾大學的研究團隊聯手推出了一項名爲 Graph Generative Pre-trained Transformer(G2PT)的自迴歸模型，旨在重新定義圖生成與表示方式。

3.8婦女節封面圖 女神節海報

圖源備註：圖片由AI生成，圖片授權服務商Midjourney

與傳統圖生成模型依賴鄰接矩陣（adjacency matrix）不同，G2PT 引入了一種基於序列的 tokenization 方法。這種方法通過將圖分解爲節點集和邊集，充分利用了圖的稀疏性，從而顯著提高了計算效率。G2PT 的創新之處在於能夠像處理自然語言一樣，逐步生成圖，並通過預測下一個 token 的方式完成整個圖的構建。研究表明，這種序列化的表示方式不僅減少了 token 的數量，還提升了生成質量。

G2PT 的適應性和擴展性令人矚目。通過 Fine-tuning 技術，它在目標導向圖生成和圖屬性預測等任務中展現了卓越的性能。例如，在藥物設計中，G2PT 能夠生成具有特定理化性質的分子圖。此外，通過提取預訓練模型的圖嵌入，G2PT 在多個分子屬性預測數據集上也表現出了優越性。

在對比實驗中，G2PT 在多個基準數據集上的表現均顯著優於現有的最先進模型。在生成有效性、唯一性和分子屬性分佈匹配等方面，它的表現都得到了高度認可。研究人員還分析了模型和數據規模對生成性能的影響，結果顯示，隨着模型規模的增加，生成性能顯著提升，且在一定規模後趨於飽和。

儘管 G2PT 在多個任務中展現出了卓越的能力，但研究者們也指出，生成順序的敏感性可能意味着不同圖域需要不同的順序優化策略。未來的研究有望進一步探索更通用且表達力更強的序列設計。

G2PT 的出現，不僅爲圖生成領域帶來了創新的方法，也爲相關領域的研究與應用奠定了堅實的基礎。