DiMOS：用于科学设计的 Doob 引导推理时多目标搜索

基于摘要分析。本文研究科学设计中多个目标与约束的联合满足问题，主要评估对象是 DNA、蛋白质和 RNA 序列设计。作者提出 DiMOS，在冻结预训练 masked diffusion 模型的条件下进行无需额外训练的推理时搜索，以应对奖励难以提供有效梯度、可行设计区域较小及推理预算有限的问题。 核心机制是利用候选补全的联合奖励，执行近似 Doob 引导的局部重采样，不要求奖励梯度，因此可处理通过或不通过的约束及黑盒奖励模型。框架同时采用预算高效的轨迹搜索，将计算集中于更有希望的后续生成路径。摘要未给出联合奖励的构造、Doob 引导的近似形式、候选补全策略及搜索预算分配规则，这些实现细节尚未验证。 作者报告，在六项 DNA、蛋白质和 RNA 任务上，DiMOS 在生成时间相近的比较条件下取得最高联合成功率；其中 DNA 和蛋白质任务相对最强基线的提升最高为 1.98 倍，同时保持较高的序列独特性与自然性。该倍数不是准确率或百分点提升；具体任务、数据划分、基线名称、生成时间测量方式及独特性与自然性指标未在摘要中列出，实验协议、消融及统计信息尚未验证。 这些结果属于生物序列生成与科学设计证据，不能据此认定 DiMOS 已改善 EEG 解码或 BCI 性能。摘要未提供与神经信号任务的具体对应关系，因此不提出 BCI 迁移实验建议。复现需进一步取得全文，核对预训练模型、奖励评估器、约束定义及各方法的推理预算配置。