論文の概要: SemlaFlow -- Efficient 3D Molecular Generation with Latent Attention and Equivariant Flow Matching

• arxiv url: http://arxiv.org/abs/2406.07266v3
• Date: Fri, 28 Feb 2025 16:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:40:02.631208
• Title: SemlaFlow -- Efficient 3D Molecular Generation with Latent Attention and Equivariant Flow Matching
• Title（参考訳）: SemlaFlow -- 遅延注意と等価なフローマッチングを備えた効率的な3次元分子生成
• Authors: Ross Irwin, Alessandro Tibo, Jon Paul Janet, Simon Olsson,
• Abstract要約: SemlaはスケーラブルなE(3)等価メッセージパッシングアーキテクチャである。 SemlaFlowは、原子タイプ、座標、結合タイプ、正式な電荷の結合分布を生成するために訓練されている。 本モデルでは,20段階のサンプリングを行ない,ベンチマークデータセットの最先端結果を生成する。
• 参考スコア（独自算出の注目度）: 43.56824843205882
• License:
• Abstract: Methods for jointly generating molecular graphs along with their 3D conformations have gained prominence recently due to their potential impact on structure-based drug design. Current approaches, however, often suffer from very slow sampling times or generate molecules with poor chemical validity. Addressing these limitations, we propose Semla, a scalable E(3)-equivariant message passing architecture. We further introduce an unconditional 3D molecular generation model, SemlaFlow, which is trained using equivariant flow matching to generate a joint distribution over atom types, coordinates, bond types and formal charges. Our model produces state-of-the-art results on benchmark datasets with as few as 20 sampling steps, corresponding to a two order-of-magnitude speedup compared to state-of-the-art. Furthermore, we highlight limitations of current evaluation methods for 3D generation and propose new benchmark metrics for unconditional molecular generators. Finally, using these new metrics, we compare our model's ability to generate high quality samples against current approaches and further demonstrate SemlaFlow's strong performance.
• Abstract（参考訳）: 分子グラフと3Dコンホメーションを共同生成する方法は、最近、構造に基づく薬物設計に潜在的に影響を及ぼすため、注目されている。 しかし、現在のアプローチは、しばしば非常に遅いサンプリング時間に悩まされるか、化学的妥当性の低い分子を生成する。 これらの制約に対処するため、スケーラブルなE(3)等価メッセージパッシングアーキテクチャであるSemlaを提案する。 さらに,非条件の3次元分子生成モデルであるSemlaFlowを導入する。これは等変流マッチングを用いてトレーニングされ,原子タイプ,座標,結合タイプ,形式電荷の結合分布を生成する。 提案モデルでは,20段階までサンプリング可能なベンチマークデータセット上で,最先端モデルと比較して2段階の精度向上を実現する。 さらに、3次元生成のための現在の評価手法の限界を強調し、無条件分子発生装置のための新しいベンチマーク指標を提案する。 最後に、これらの新しいメトリクスを使用して、我々のモデルが現在のアプローチに対して高品質なサンプルを生成する能力を比較し、さらにSemlaFlowの強力なパフォーマンスを実証します。

関連論文リスト

• EquiFlow: Equivariant Conditional Flow Matching with Optimal Transport for 3D Molecular Conformation Prediction [14.664189950787739]
  最適輸送を伴う等変条件付き流れマッチングモデルであるEquiFlowを提案する。 修飾エクイフォーマーモデルを用いて、分子配座とそれらの原子および結合特性を高次埋め込みに符号化する。 QM9データセットの実験では、EquiFlowは現在の最先端モデルよりも小さな分子配座を正確に予測している。
  論文  参考訳（メタデータ） (2024-12-15T06:48:22Z)
• Exploring Discrete Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは、最近提案されたジェネレーティブモデリングフレームワークで、様々なタスクにおいて印象的なパフォーマンスを実現している。 本稿では,既存の手法よりも学習可能なパラメータが少ない3D de novo設計における技術性能の状態を達成した,オープンソースのFlowMol-CTMCを提案する。
  論文  参考訳（メタデータ） (2024-11-25T18:27:39Z)
• Improving Molecular Graph Generation with Flow Matching and Optimal Transport [8.2504828891983]
  GGFlowは分子グラフの最適輸送を取り入れた離散フローマッチング生成モデルである。 エッジ拡張グラフ変換器を内蔵し、化学結合間の直接通信を可能にする。 GGFlowは無条件および条件付き分子生成タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-11-08T16:27:27Z)
• 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)
• FlowTurbo: Towards Real-time Flow-Based Image Generation with Velocity Refiner [70.90505084288057]
  フローベースモデルはサンプリングプロセス中により直線的なサンプリング軌道を生成する傾向にある。 擬似修正器やサンプル認識コンパイルなどいくつかの手法を導入し,推論時間をさらに短縮する。 FlowTurboはImageNet上で100(ms/img)で2.12FID、38(ms/img)で3.93FIDに達する
  論文  参考訳（メタデータ） (2024-09-26T17:59:51Z)
• Mixed Continuous and Categorical Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは拡散モデルを一般化する最近提案された生成モデリングフレームワークである。 本稿では,フローマッチングフレームワークを,確率単純性として知られるカテゴリデータの連続的な表現に制約のあるフローを構築することにより,カテゴリデータに拡張する。 実際には、データのカテゴリ的な性質に配慮しないシンプルなアプローチは、同等あるいは優れたパフォーマンスをもたらすことが分かっています。
  論文  参考訳（メタデータ） (2024-04-30T17:37:21Z)
• 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)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
  我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。 FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
  論文  参考訳（メタデータ） (2023-10-03T19:24:24Z)

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。