論文の概要: Chemistry-Inspired Diffusion with Non-Differentiable Guidance

• arxiv url: http://arxiv.org/abs/2410.06502v1
• Date: Wed, 9 Oct 2024 03:10:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 05:18:55.548872
• Title: Chemistry-Inspired Diffusion with Non-Differentiable Guidance
• Title（参考訳）: 非識別性誘導による化学誘起拡散
• Authors: Yuchen Shen, Chenhao Zhang, Sijie Fu, Chenghui Zhou, Newell Washburn, Barnabás Póczos,
• Abstract要約: 拡散モデルの最近の進歩は、新しい分子の条件生成に顕著な可能性を示している。 本研究では, 量子化学の領域知識を微分不可能なオラクルとして活用し, 非条件拡散モデルを導出する手法を提案する。 オラクルはニューラルネットワークに頼る代わりに、推定勾配の形で正確なガイダンスを提供し、量子化学によって指定された条件分布から拡散過程をサンプリングすることができる。
• 参考スコア（独自算出の注目度）: 10.573577157257564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in diffusion models have shown remarkable potential in the conditional generation of novel molecules. These models can be guided in two ways: (i) explicitly, through additional features representing the condition, or (ii) implicitly, using a property predictor. However, training property predictors or conditional diffusion models requires an abundance of labeled data and is inherently challenging in real-world applications. We propose a novel approach that attenuates the limitations of acquiring large labeled datasets by leveraging domain knowledge from quantum chemistry as a non-differentiable oracle to guide an unconditional diffusion model. Instead of relying on neural networks, the oracle provides accurate guidance in the form of estimated gradients, allowing the diffusion process to sample from a conditional distribution specified by quantum chemistry. We show that this results in more precise conditional generation of novel and stable molecular structures. Our experiments demonstrate that our method: (1) significantly reduces atomic forces, enhancing the validity of generated molecules when used for stability optimization; (2) is compatible with both explicit and implicit guidance in diffusion models, enabling joint optimization of molecular properties and stability; and (3) generalizes effectively to molecular optimization tasks beyond stability optimization.
• Abstract（参考訳）: 拡散モデルの最近の進歩は、新しい分子の条件生成に顕著な可能性を示している。 これらのモデルには2つの方法がある。 i) 明確に、条件を表す追加的特徴、または (ii) プロパティ予測子を使用して暗黙的に。 しかし、トレーニングプロパティ予測や条件付き拡散モデルにはラベル付きデータが多く必要であり、現実のアプリケーションでは本質的に困難である。 本研究では, 量子化学の領域知識を非微分可能なオラクルとして活用することにより, 大規模ラベル付きデータセットの獲得の限界を減らし, 非条件拡散モデルを導出する手法を提案する。 オラクルはニューラルネットワークに頼る代わりに、推定勾配の形で正確なガイダンスを提供し、量子化学によって指定された条件分布から拡散過程をサンプリングすることができる。 その結果, 新規な分子構造と安定な分子構造がより精密に生成できることが示唆された。 実験により,(1) 原子間力の低減,(2) 安定性最適化における生成分子の有効性の向上,(2) 拡散モデルにおける明示的および暗黙的なガイダンスの両立,および(3) 安定性最適化以上の分子最適化タスクに効果的に一般化できることが確認された。

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)
• MING: A Functional Approach to Learning Molecular Generative Models [46.189683355768736]
  本稿では,関数表現に基づく分子生成モデル学習のための新しいパラダイムを提案する。 本稿では,関数空間における分子分布を学習する拡散モデルである分子インプリシットニューラルジェネレーション(MING)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T13:02:02Z)
• Context-Guided Diffusion for Out-of-Distribution Molecular and Protein Design [30.241533997522236]
  我々は、ラベルのないデータと滑らかな制約を利用して、ガイド付き拡散モデルのアウト・オブ・ディストリビューション一般化を改善するシンプルなプラグ・アンド・プレイ法である文脈誘導拡散法(CGD)を開発した。 このアプローチは、連続的、離散的、グラフ構造化された拡散プロセスや、薬物発見、材料科学、タンパク質設計にまたがる応用など、様々な状況において、大幅なパフォーマンス向上をもたらす。
  論文  参考訳（メタデータ） (2024-07-16T17:34:00Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• LDMol: Text-to-Molecule Diffusion Model with Structurally Informative Latent Space [55.5427001668863]
  テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。 LDMolは、学習可能で構造的に有意な特徴空間を生成する分子オートエンコーダを含む。 我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
  論文  参考訳（メタデータ） (2024-05-28T04:59:13Z)
• Unveil Conditional Diffusion Models with Classifier-free Guidance: A Sharp Statistical Theory [87.00653989457834]
  条件付き拡散モデルは現代の画像合成の基礎となり、計算生物学や強化学習などの分野に広く応用されている。 経験的成功にもかかわらず、条件拡散モデルの理論はほとんど欠落している。 本稿では,条件拡散モデルを用いた分布推定の急激な統計的理論を提示することにより,ギャップを埋める。
  論文  参考訳（メタデータ） (2024-03-18T17:08:24Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)

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。