論文の概要: Accelerating 3D Molecule Generation via Jointly Geometric Optimal Transport
- arxiv url: http://arxiv.org/abs/2405.15252v2
- Date: Sun, 02 Mar 2025 14:10:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-04 13:04:40.994248
- Title: Accelerating 3D Molecule Generation via Jointly Geometric Optimal Transport
- Title（参考訳）: 共同幾何学的最適輸送による3次元分子生成の高速化
- Authors: Haokai Hong, Wanyu Lin, Kay Chen Tan,
- Abstract要約: 本稿では,高速かつ効率的な3次元分子生成のための新しい3次元分子生成フレームワークGOATを提案する。
基本分布と対象データ分布の間の多モード特徴をマッピングするコストを測定するための幾何輸送公式を定式化する。
GOATは幾何的最適輸送の解法を効率よく行うことができることを示す。
- 参考スコア（独自算出の注目度）: 25.89095414975696
- License:
- Abstract: This paper proposes a new 3D molecule generation framework, called GOAT, for fast and effective 3D molecule generation based on the flow-matching optimal transport objective. Specifically, we formulate a geometric transport formula for measuring the cost of mapping multi-modal features (e.g., continuous atom coordinates and categorical atom types) between a base distribution and a target data distribution. Our formula is solved within a joint, equivariant, and smooth representation space. This is achieved by transforming the multi-modal features into a continuous latent space with equivariant networks. In addition, we find that identifying optimal distributional coupling is necessary for fast and effective transport between any two distributions. We further propose a mechanism for estimating and purifying optimal coupling to train the flow model with optimal transport. By doing so, GOAT can turn arbitrary distribution couplings into new deterministic couplings, leading to an estimated optimal transport plan for fast 3D molecule generation. The purification filters out the subpar molecules to ensure the ultimate generation quality. We theoretically and empirically prove that the proposed optimal coupling estimation and purification yield transport plan with non-increasing cost. Finally, extensive experiments show that GOAT enjoys the efficiency of solving geometric optimal transport, leading to a double speedup compared to the sub-optimal method while achieving the best generation quality regarding validity, uniqueness, and novelty. The code is available at https://github.com/WanyuGroup/ICLR2025-GOAT.
- Abstract（参考訳）: 本稿では,フローマッチング最適輸送目標に基づく高速かつ効率的な3次元分子生成のための新しい3次元分子生成フレームワークGOATを提案する。
具体的には、基底分布と対象データ分布の間の多モード特徴(例えば、連続原子座標、カテゴリー原子型)をマッピングするコストを測定するための幾何輸送公式を定式化する。
我々の公式は、結合、同変、滑らかな表現空間の中で解決される。
これは、マルチモーダルな特徴を同変ネットワークを持つ連続潜在空間に変換することで達成される。
さらに,2つの分布間の高速かつ効率的な輸送には最適分布結合の同定が必要であることがわかった。
さらに, 最適輸送を用いた流れモデルの学習において, 最適結合を推定し, 浄化する機構を提案する。
これにより、GOATは任意の分布結合を新しい決定論的結合に変換することができ、高速な3次元分子生成のための最適輸送計画が導かれる。
精製により、サブパー分子を濾過し、最終的な生成品質を確保する。
理論的および実験的に,提案した最適結合推定法と非増加コストによる純化収率輸送計画の立案を実証した。
最後に、GOATは幾何的最適輸送を解くことの効率を享受し、妥当性、特異性、新規性に関する最高の世代品質を達成しつつ、準最適法に比べて2倍のスピードアップをもたらすことを示す。
コードはhttps://github.com/WanyuGroup/ICLR2025-GOATで公開されている。
関連論文リスト
- Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。
適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文 参考訳（メタデータ） (2024-11-01T12:59:25Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳（メタデータ） (2024-07-10T17:39:50Z) - Interaction-Force Transport Gradient Flows [45.05400562268213]
本稿では,非負測度および確率測度に対する新しい勾配流散逸幾何学を提案する。
We propose the interaction-force transport (IFT) gradient flow, we proposed the interaction-force transport (IFT) gradient flow。
論文 参考訳（メタデータ） (2024-05-27T11:46:14Z) - Unified Generative Modeling of 3D Molecules via Bayesian Flow Networks [19.351562908683334]
GeoBFNは、分布の微分可能なパラメータ空間における様々なモジュラリティをモデル化することによって、分子幾何学に自然に適合する。
我々はGeoBFNが生成品質の観点から,複数の3次元分子生成ベンチマークにおける最先端性能を実現することを実証した。
GeoBFNはまた、効率と品質の最適なトレードオフに到達するために、任意のステップでサンプリングを行うこともできる。
論文 参考訳（メタデータ） (2024-03-17T08:40:06Z) - Space-Time Diffusion Bridge [0.4527270266697462]
実確率分布から独立かつ同一に分布する新しい合成サンプルを生成する方法を提案する。
時空間次元にまたがる時空間混合戦略を用いる。
数値実験による時空拡散法の有効性を検証した。
論文 参考訳（メタデータ） (2024-02-13T23:26:11Z) - Equivariant Flow Matching with Hybrid Probability Transport [69.11915545210393]
拡散モデル (DM) は, 特徴量の多いジオメトリの生成に有効であることを示した。
DMは通常、非効率なサンプリング速度を持つ不安定な確率力学に悩まされる。
等変モデリングと安定化確率力学の両方の利点を享受する幾何フローマッチングを導入する。
論文 参考訳（メタデータ） (2023-12-12T11:13:13Z) - Diffusion Bridge Mixture Transports, Schr\"odinger Bridge Problems and
Generative Modeling [4.831663144935879]
本稿では, 動的シュリンガー橋問題の解法を目的とした, サンプリング型反復型拡散橋混合法 (IDBM) を提案する。
IDBM手順は、各イテレーションにおける目標確率測度間の有効な輸送を実現するという魅力的な性質を示す。
論文 参考訳（メタデータ） (2023-04-03T12:13:42Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-10-24T16:54:18Z) - Theory and Approximate Solvers for Branched Optimal Transport with
Multiple Sources [12.139222986297263]
分岐最適輸送(英: Branched Optimal Transport、BOT)は、エッジに沿った輸送コストが副付加的な最適輸送の一般化である。
トポロジを考えると、多くのソースやシンクに対してBOTネットワークの最適形状を効率的に見つける方法を示す。
論文 参考訳（メタデータ） (2022-10-14T10:51:16Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。