論文の概要: Potential Score Matching: Debiasing Molecular Structure Sampling with Potential Energy Guidance

• arxiv url: http://arxiv.org/abs/2503.14569v1
• Date: Tue, 18 Mar 2025 11:27:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:25:23.731335
• Title: Potential Score Matching: Debiasing Molecular Structure Sampling with Potential Energy Guidance
• Title（参考訳）: 電位スコアマッチング:電位エネルギー誘導による分子構造測定の偏り
• Authors: Liya Guo, Zun Wang, Chang Liu, Junzhe Li, Pipi Hu, Yi Zhu,
• Abstract要約: 本稿では、ポテンシャルエネルギー勾配を利用して生成モデルを導出する手法として、ポテンシャルスコアマッチング(PSM)を提案する。 PSMは正確なエネルギー関数を必要とせず、限られた偏りのデータで訓練してもサンプル分布を偏りなくすることができる。 PSMにより生成された分子分布は従来の拡散モデルよりもボルツマン分布に近似していることを示す。
• 参考スコア（独自算出の注目度）: 11.562962976129292
• License:
• Abstract: The ensemble average of physical properties of molecules is closely related to the distribution of molecular conformations, and sampling such distributions is a fundamental challenge in physics and chemistry. Traditional methods like molecular dynamics (MD) simulations and Markov chain Monte Carlo (MCMC) sampling are commonly used but can be time-consuming and costly. Recently, diffusion models have emerged as efficient alternatives by learning the distribution of training data. Obtaining an unbiased target distribution is still an expensive task, primarily because it requires satisfying ergodicity. To tackle these challenges, we propose Potential Score Matching (PSM), an approach that utilizes the potential energy gradient to guide generative models. PSM does not require exact energy functions and can debias sample distributions even when trained on limited and biased data. Our method outperforms existing state-of-the-art (SOTA) models on the Lennard-Jones (LJ) potential, a commonly used toy model. Furthermore, we extend the evaluation of PSM to high-dimensional problems using the MD17 and MD22 datasets. The results demonstrate that molecular distributions generated by PSM more closely approximate the Boltzmann distribution compared to traditional diffusion models.
• Abstract（参考訳）: 分子の物理的性質のアンサンブル平均は分子配座の分布と密接に関係しており、そのような分布をサンプリングすることは物理学や化学の基本的な課題である。 分子動力学(MD)シミュレーションやマルコフ連鎖モンテカルロ(MCMC)サンプリングのような伝統的な手法は一般的に用いられるが、時間と費用がかかる。 近年,トレーニングデータの分布を学習することで,拡散モデルが効率的な代替手段として出現している。 偏りのない目標分布を持つことは、主にエルゴディディティを満たす必要があるため、依然としてコストがかかる作業である。 これらの課題に対処するために、ポテンシャルエネルギー勾配を利用して生成モデルを導くアプローチとして、ポテンシャルスコアマッチング(PSM)を提案する。 PSMは正確なエネルギー関数を必要とせず、限られた偏りのデータで訓練してもサンプル分布を偏りなくすることができる。 提案手法は,レナード・ジョーンズポテンシャル(LJ)の既存の最先端(SOTA)モデルよりも優れている。 さらに, MD17 と MD22 のデータセットを用いて, PSM の評価を高次元問題に拡張する。 PSMにより生成された分子分布は従来の拡散モデルよりもボルツマン分布に近似していることを示す。

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)
• 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)
• Maximum Entropy Inverse Reinforcement Learning of Diffusion Models with Energy-Based Models [12.327318533784961]
  本稿では,拡散生成モデルのサンプル品質を向上させるために,最大強化学習(IRL)手法を提案する。 トレーニングデータから推定したログ密度を用いて拡散モデルを訓練(または微調整)する。 実験により,DxMIを用いて微調整した拡散モデルでは,4段階から10段階の精度で高品質な試料を生成できることがわかった。
  論文  参考訳（メタデータ） (2024-06-30T08:52:17Z)
• Generalized Contrastive Divergence: Joint Training of Energy-Based Model and Diffusion Model through Inverse Reinforcement Learning [13.22531381403974]
  Generalized Contrastive Divergence (GCD) はエネルギーベースモデル(EBM)とサンプルを同時にトレーニングするための新しい目的関数である。 EBMと拡散モデルの両方にジョイントトレーニングが有用であることを示す予備的かつ有望な結果を示す。
  論文  参考訳（メタデータ） (2023-12-06T10:10:21Z)
• 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)
• Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
  関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。 テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:53:52Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Particle Dynamics for Learning EBMs [83.59335980576637]
  エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。 コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。 本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T23:41:07Z)

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。