論文の概要: LMDM:Latent Molecular Diffusion Model For 3D Molecule Generation

• arxiv url: http://arxiv.org/abs/2412.04242v1
• Date: Thu, 05 Dec 2024 15:25:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:39:58.597816
• Title: LMDM:Latent Molecular Diffusion Model For 3D Molecule Generation
• Title（参考訳）: LMDM:3次元分子生成のための分子拡散モデル
• Authors: Xiang Chen,
• Abstract要約: 本稿では,3次元分子を多様性に富み,リッチな幾何学的特徴を維持できる潜在分子拡散モデルを提案する。 このモデルは、原子間の力と局所的な制約の情報を取り込んで、生成した分子がユークリッド変換を維持する。 実験では, 生成した試料の品質とモデル収束速度を大幅に改善した。
• 参考スコア（独自算出の注目度）: 6.720821935934759
• License:
• Abstract: n this work, we propose a latent molecular diffusion model that can make the generated 3D molecules rich in diversity and maintain rich geometric features. The model captures the information of the forces and local constraints between atoms so that the generated molecules can maintain Euclidean transformation and high level of effectiveness and diversity. We also use the lowerrank manifold advantage of the latent variables of the latent model to fuse the information of the forces between atoms to better maintain the geometric equivariant properties of the molecules. Because there is no need to perform information fusion encoding in stages like traditional encoders and decoders, this reduces the amount of calculation in the back-propagation process. The model keeps the forces and local constraints of particle bonds in the latent variable space, reducing the impact of underfitting on the surface of the network on the large position drift of the particle geometry, so that our model can converge earlier. We introduce a distribution control variable in each backward step to strengthen exploration and improve the diversity of generation. In the experiment, the quality of the samples we generated and the convergence speed of the model have been significantly improved.
• Abstract（参考訳）: 本研究は, 生成した3次元分子を多様性に富み, リッチな幾何学的特徴を維持できる潜在分子拡散モデルを提案する。 このモデルでは、原子間の力と局所的な制約の情報を取り込んで、生成した分子がユークリッド変換と高い効果と多様性を維持することができる。 また、潜伏モデルの潜伏変数を利用して原子間の力の情報を融合させ、分子の幾何学的同変特性をよりよく維持する。 従来のエンコーダやデコーダのようなステージで情報融合符号化を行う必要はないため、バックプロパゲーションプロセスにおける計算量を削減できる。 このモデルでは、潜伏変数空間における粒子結合の力と局所的な制約を保ち、粒子幾何学の大きな位置ドリフトに対するネットワーク表面の不適合の影響を低減し、我々のモデルがより早く収束できるようにしている。 各後方ステップに分布制御変数を導入し、探索を強化し、生成の多様性を向上させる。 実験では, 生成した試料の品質とモデル収束速度を大幅に改善した。

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)
• Molecular Conformation Generation via Shifting Scores [21.986775283620883]
  本稿では,分子の崩壊を,分子を構成する原子に増大する力場を鋳造すると見なすことのできる新しい分子コンホメーション生成手法を提案する。 対応する生成モデリングは、実現可能な原子間距離幾何学を保証し、時間可逆性を示す。
  論文  参考訳（メタデータ） (2023-09-12T07:39:43Z)
• 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 Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
  本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。 我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
  論文  参考訳（メタデータ） (2023-05-21T04:49:53Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• MDM: Molecular Diffusion Model for 3D Molecule Generation [19.386468094571725]
  既存の拡散に基づく3D分子生成法は、不満足な性能に悩まされる可能性がある。 原子間関係は分子の3次元点雲表現にはない。 提案したモデルは、条件付きタスクと条件付きタスクの両方において、既存のメソッドよりも大幅に優れている。
  論文  参考訳（メタデータ） (2022-09-13T03:40:18Z)
• Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
  この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。 提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
  論文  参考訳（メタデータ） (2022-03-31T12:52:25Z)
• 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。