論文の概要: EquiFlow: Equivariant Conditional Flow Matching with Optimal Transport for 3D Molecular Conformation Prediction

• arxiv url: http://arxiv.org/abs/2412.11082v1
• Date: Sun, 15 Dec 2024 06:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:54:11.659709
• Title: EquiFlow: Equivariant Conditional Flow Matching with Optimal Transport for 3D Molecular Conformation Prediction
• Title（参考訳）: EquiFlow:3次元分子コンフォーメーション予測のための最適輸送と等価な条件付きフローマッチング
• Authors: Qingwen Tian, Yuxin Xu, Yixuan Yang, Zhen Wang, Ziqi Liu, Pengju Yan, Xiaolin Li,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.664189950787739
• License:
• Abstract: Molecular 3D conformations play a key role in determining how molecules interact with other molecules or protein surfaces. Recent deep learning advancements have improved conformation prediction, but slow training speeds and difficulties in utilizing high-degree features limit performance. We propose EquiFlow, an equivariant conditional flow matching model with optimal transport. EquiFlow uniquely applies conditional flow matching in molecular 3D conformation prediction, leveraging simulation-free training to address slow training speeds. It uses a modified Equiformer model to encode Cartesian molecular conformations along with their atomic and bond properties into higher-degree embeddings. Additionally, EquiFlow employs an ODE solver, providing faster inference speeds compared to diffusion models with SDEs. Experiments on the QM9 dataset show that EquiFlow predicts small molecule conformations more accurately than current state-of-the-art models.
• Abstract（参考訳）: 分子3Dコンフォメーションは、分子が他の分子やタンパク質表面とどのように相互作用するかを決定するのに重要な役割を果たしている。 近年のディープラーニングの進歩はコンフォーメーション予測を改善したが、訓練速度の遅さと高次特徴の利用の難しさは性能を制限している。 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。 EquiFlowは分子3Dコンフォーメーション予測に条件付きフローマッチングを独自に適用し、シミュレーションなしのトレーニングを活用して遅いトレーニング速度に対処する。 修正されたエクイフォーマーモデルを用いて、カルテシアン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。 さらに、EquiFlowはODEソルバを採用し、SDEによる拡散モデルよりも高速な推論速度を提供する。 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。

関連論文リスト

• Conformation Generation using Transformer Flows [55.2480439325792]
  本稿では,トランスネットワークに基づくコンフォーメーション生成のためのフローベースモデルConfFlowを提案する。 ConfFlowは、明示的な物理的制約を課すことなく、座標空間で直接サンプリングする。 ConfFlowは、最先端の学習ベースの方法と比較して、最大40%の精度向上を実現している。
  論文  参考訳（メタデータ） (2024-11-16T14:42:05Z)
• 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)
• ET-Flow: Equivariant Flow-Matching for Molecular Conformer Generation [3.4146914514730633]
  低エネルギー分子配座の予測にET-Flow(Equivariant Transformer Flow)を導入する。 提案手法は,最小限の仮定で全原子座標を演算する,単純でスケーラブルな手法である。 ET-Flowは、より軽量で推論の速いモデルでありながら、生成したコンバータの精度と物理的妥当性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-10-29T16:44:10Z)
• Efficient 3D Molecular Generation with Flow Matching and Scale Optimal Transport [43.56824843205882]
  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はフローマッチングとスケールの最適トランスポートを使ってトレーニングされている。 本モデルでは,100個のサンプリングステップのみを用いて,ベンチマークデータセットの最先端結果を生成する。
  論文  参考訳（メタデータ） (2024-06-11T13:51:51Z)
• 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)
• 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)
• May the Force be with You: Unified Force-Centric Pre-Training for 3D Molecular Conformations [19.273404278711794]
  平衡データとオフ平衡データの両方をカバーする3次元分子配座のための力中心事前学習モデルを提案する。 平衡データに対しては, ゼロフォース正則化と強制的復調法を導入し, 近似平衡力について検討する。 実験により, 事前学習目標により, 未訓練の同変変変圧器モデルと比較して, 力の精度を約3倍に向上することを示した。
  論文  参考訳（メタデータ） (2023-08-24T01:54:02Z)
• 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)
• E(n) Equivariant Normalizing Flows for Molecule Generation in 3D [87.12477361140716]
  本稿ではユークリッド対称性に同値な生成モデルを紹介する: E(n) 等変正規化フロー(E-NFs) 私たちの知る限りでは、これは3Dで分子を生成する可能性に基づく最初の深層生成モデルである。
  論文  参考訳（メタデータ） (2021-05-19T09:28:54Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)

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。