論文の概要: Scalable Autoregressive 3D Molecule Generation

• arxiv url: http://arxiv.org/abs/2505.13791v1
• Date: Tue, 20 May 2025 00:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.580064
• Title: Scalable Autoregressive 3D Molecule Generation
• Title（参考訳）: スケーラブルな自己回帰型3次元分子生成
• Authors: Austin H. Cheng, Chong Sun, Alán Aspuru-Guzik,
• Abstract要約: Quetzalは、シンプルだがスケーラブルな自己回帰モデルで、3Dで原子単位の分子を作る。 Quetzalは生成品質を大幅に改善し、最先端の拡散モデルと競合する。
• 参考スコア（独自算出の注目度）: 3.7135179920970534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models of 3D molecular structure play a rapidly growing role in the design and simulation of molecules. Diffusion models currently dominate the space of 3D molecule generation, while autoregressive models have trailed behind. In this work, we present Quetzal, a simple but scalable autoregressive model that builds molecules atom-by-atom in 3D. Treating each molecule as an ordered sequence of atoms, Quetzal combines a causal transformer that predicts the next atom's discrete type with a smaller Diffusion MLP that models the continuous next-position distribution. Compared to existing autoregressive baselines, Quetzal achieves substantial improvements in generation quality and is competitive with the performance of state-of-the-art diffusion models. In addition, by reducing the number of expensive forward passes through a dense transformer, Quetzal enables significantly faster generation speed, as well as exact divergence-based likelihood computation. Finally, without any architectural changes, Quetzal natively handles variable-size tasks like hydrogen decoration and scaffold completion. We hope that our work motivates a perspective on scalability and generality for generative modelling of 3D molecules.
• Abstract（参考訳）: 3次元分子構造の生成モデルは、分子の設計とシミュレーションにおいて急速に成長する役割を担っている。 現在拡散モデルは3D分子生成の空間を支配しており、自己回帰モデルは後を追っている。 本稿では,分子を原子単位で3Dで生成する,シンプルだがスケーラブルな自己回帰モデルであるQuetzalを紹介する。 各分子を秩序化された原子配列として扱うことで、ケツァルは次の原子の離散型を予測する因果変換器と、連続する次の位置分布をモデル化するより小さな拡散MLPを結合する。 既存の自己回帰ベースラインと比較して、Quetzalは生成品質を大幅に改善し、最先端の拡散モデルの性能と競合する。 さらに、高密度変圧器を経由する高価なフォワードパスの数を減少させることで、Quetzalは生成速度を著しく高速化し、正確な発散に基づく精度計算を可能にした。 最後に、アーキテクチャの変更なしに、Ketzalはネイティブに水素装飾や足場補完といった可変サイズのタスクを処理します。 我々は,3次元分子の生成的モデリングにおけるスケーラビリティと汎用性の観点から,我々の研究のモチベーションを期待する。

関連論文リスト

• Towards Unified Latent Space for 3D Molecular Latent Diffusion Modeling [80.59215359958934]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 本稿では,3次元分子を結合した潜在空間から潜在配列に圧縮する多モードVAEを提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• D3MES: Diffusion Transformer with multihead equivariant self-attention for 3D molecule generation [1.3791394805787949]
  本稿では,拡散モデルDiffusion Transformerとマルチヘッド同型自己アテンションを組み合わせた3次元分子生成のための拡散モデルを提案する。 この方法は、2つの主要な課題に対処する: 水素原子を除去した後、分子の表現を学ぶことによって生成分子に水素原子を正しく取り付けること; 同時に複数のクラスにまたがる分子を生成できない既存のモデルの限界を克服すること。
  論文  参考訳（メタデータ） (2025-01-13T06:16:11Z)
• LMDM:Latent Molecular Diffusion Model For 3D Molecule Generation [6.720821935934759]
  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。
  論文  参考訳（メタデータ） (2024-12-05T15:25:18Z)
• 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)

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。