論文の概要: Learning Flexible Forward Trajectories for Masked Molecular Diffusion

• arxiv url: http://arxiv.org/abs/2505.16790v1
• Date: Thu, 22 May 2025 15:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.400364
• Title: Learning Flexible Forward Trajectories for Masked Molecular Diffusion
• Title（参考訳）: 分岐分子拡散のためのフレキシブルフォワード軌道の学習
• Authors: Hyunjin Seo, Taewon Kim, Sihyun Yu, SungSoo Ahn,
• Abstract要約: 仮面拡散モデル (MDMs) は離散データのモデリングにおいて顕著な進歩を遂げているが、分子生成におけるそのポテンシャルは未解明のままである。 標準MDMを適用すると、性能が著しく低下するという驚くべき結果が紹介される。 本研究では, 分子グラフ間の衝突を避けるため, 要素ごとの分解軌道を編成するMasked Element-wise Learnable Diffusion (MELD)を提案する。
• 参考スコア（独自算出の注目度）: 14.219676204069655
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Masked diffusion models (MDMs) have achieved notable progress in modeling discrete data, while their potential in molecular generation remains underexplored. In this work, we explore their potential and introduce the surprising result that naively applying standards MDMs severely degrades the performance. We identify the critical cause of this issue as a state-clashing problem-where the forward diffusion of distinct molecules collapse into a common state, resulting in a mixture of reconstruction targets that cannot be learned using typical reverse diffusion process with unimodal predictions. To mitigate this, we propose Masked Element-wise Learnable Diffusion (MELD) that orchestrates per-element corruption trajectories to avoid collision between distinct molecular graphs. This is achieved through a parameterized noise scheduling network that assigns distinct corruption rates to individual graph elements, i.e., atoms and bonds. Extensive experiments on diverse molecular benchmarks reveal that MELD markedly enhances overall generation quality compared to element-agnostic noise scheduling, increasing the chemical validity of vanilla MDMs on ZINC250K from 15% to 93%, Furthermore, it achieves state-of-the-art property alignment in conditional generation tasks.
• Abstract（参考訳）: 仮面拡散モデル (MDMs) は離散データのモデリングにおいて顕著な進歩を遂げているが、分子生成におけるそのポテンシャルは未解明のままである。 本研究は,その可能性を探究し,標準MDMが性能を著しく低下させるという驚くべき結果をもたらすものである。 我々は,この問題の重大な原因を,分子の前方拡散が共通状態に崩壊する状態クラッシング問題とみなす。 これを緩和するために, 分子グラフ間の衝突を避けるために, 要素ごとの分解軌道を編成するMasked Element-wise Learnable Diffusion (MELD)を提案する。 これは、個々のグラフ要素、すなわち原子と結合に異なる汚職率を割り当てるパラメータ化されたノイズスケジューリングネットワークによって達成される。 多様な分子ベンチマーク実験により、MELDは元素非依存ノイズスケジューリングと比較して全体的な生成品質を著しく向上させ、ZINC250K上のバニラMDMの化学的妥当性を15%から93%向上させ、さらに条件付き生成タスクにおける最先端のプロパティアライメントを実現することを明らかにした。

関連論文リスト

• FragFM: Efficient Fragment-Based Molecular Generation via Discrete Flow Matching [0.3345437353879254]
  分子グラフ生成のためのフラグメントベースの離散フローマッチングフレームワークであるFragFMを紹介する。 FragFMは断片レベルで分子を生成し、原子レベルの詳細を再構築するために粗大から細い自己エンコード機構を利用する。
  論文  参考訳（メタデータ） (2025-02-19T07:01:00Z)
• Masked Diffusion Models are Secretly Time-Agnostic Masked Models and Exploit Inaccurate Categorical Sampling [47.82616476928464]
  仮面拡散モデル (MDM) は離散データの生成モデルとして人気がある。 我々はMDMのトレーニングとサンプリングの両方が理論的に時間変数から解放されていることを示す。 一般に使用されている32ビット浮動小数点精度においても,まず基礎となる数値問題を同定した。
  論文  参考訳（メタデータ） (2024-09-04T17:48:19Z)

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。