論文の概要: MING: A Functional Approach to Learning Molecular Generative Models

• arxiv url: http://arxiv.org/abs/2410.12522v2
• Date: Mon, 17 Feb 2025 08:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:03:55.980812
• Title: MING: A Functional Approach to Learning Molecular Generative Models
• Title（参考訳）: MING:分子生成モデル学習のための機能的アプローチ
• Authors: Van Khoa Nguyen, Maciej Falkiewicz, Giangiacomo Mercatali, Alexandros Kalousis,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 46.189683355768736
• License:
• Abstract: Traditional molecule generation methods often rely on sequence- or graph-based representations, which can limit their expressive power or require complex permutation-equivariant architectures. This paper introduces a novel paradigm for learning molecule generative models based on functional representations. Specifically, we propose Molecular Implicit Neural Generation (MING), a diffusion-based model that learns molecular distributions in the function space. Unlike standard diffusion processes in the data space, MING employs a novel functional denoising probabilistic process, which jointly denoises information in both the function's input and output spaces by leveraging an expectation-maximization procedure for latent implicit neural representations of data. This approach enables a simple yet effective model design that accurately captures underlying function distributions. Experimental results on molecule-related datasets demonstrate MING's superior performance and ability to generate plausible molecular samples, surpassing state-of-the-art data-space methods while offering a more streamlined architecture and significantly faster generation times. The code is available at https://github.com/v18nguye/MING.
• Abstract（参考訳）: 伝統的な分子生成法は、しばしばシーケンスまたはグラフに基づく表現に依存し、表現力を制限するか、複雑な置換同変アーキテクチャを必要とする。 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。 具体的には,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。 データ空間における標準的な拡散過程とは異なり、MINGは関数の入力空間と出力空間の両方の情報を、潜在的な暗黙的神経表現に対する期待最大化法を利用して共同で認知する、機能的認知確率過程を採用している。 このアプローチは、基礎となる関数分布を正確にキャプチャする、シンプルで効果的なモデル設計を可能にする。 分子関連データセットの実験結果は、MINGの優れた性能と可塑性分子サンプルの生成能力を示し、最先端のデータ空間法を超越し、より合理化されたアーキテクチャを提供し、生成時間を大幅に高速化した。 コードはhttps://github.com/v18nguye/MING.comで公開されている。

関連論文リスト

• MDDM: A Molecular Dynamics Diffusion Model to Predict Particle Self-Assembly [0.0]
  分子動力学拡散モデルでは、与えられた入力対ポテンシャル関数の有効な出力を予測することができる。 このモデルは、非条件および条件付き生成タスクのベースライン点雲拡散モデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-28T22:21:45Z)
• Exploring Molecule Generation Using Latent Space Graph Diffusion [0.0]
  分子グラフの生成は、その離散的な性質と競合する目的のために難しい課題である。 分子グラフの場合、拡散バックボーンとしてのグラフニューラルネットワーク(GNN)は印象的な結果を得た。 自己エンコーダを介して低次元空間に拡散する潜在空間拡散は計算効率を実証している。
  論文  参考訳（メタデータ） (2025-01-07T10:54:44Z)
• 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)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• 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)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• Neural Flow Diffusion Models: Learnable Forward Process for Improved Diffusion Modelling [2.1779479916071067]
  より広い範囲のプロセスをサポートすることで拡散モデルを強化する新しいフレームワークを提案する。 また,前処理を学習するための新しいパラメータ化手法を提案する。 結果はNFDMの汎用性と幅広い応用の可能性を評価する。
  論文  参考訳（メタデータ） (2024-04-19T15:10:54Z)
• Variational Autoencoding Molecular Graphs with Denoising Diffusion Probabilistic Model [0.0]
  本稿では,階層構造を確率論的潜在ベクトルに組み込んだ新しい深層生成モデルを提案する。 本モデルは,物理特性と活性に関する小さなデータセットを用いて,分子特性予測のための有効な分子潜在ベクトルを設計できることを実証する。
  論文  参考訳（メタデータ） (2023-07-02T17:29:41Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。