論文の概要: Scalable Non-Equivariant 3D Molecule Generation via Rotational Alignment

• arxiv url: http://arxiv.org/abs/2506.10186v2
• Date: Sun, 29 Jun 2025 17:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 15:08:39.64661
• Title: Scalable Non-Equivariant 3D Molecule Generation via Rotational Alignment
• Title（参考訳）: 回転アライメントによるスケーラブルな非等変3次元分子生成
• Authors: Yuhui Ding, Thomas Hofmann,
• Abstract要約: このような等変制約を緩和する手法を提案する。 非同変拡散モデルが整列表現上で訓練される。 実験結果から,本手法は従来報告した非同変モデルよりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 24.144491389884983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Equivariant diffusion models have achieved impressive performance in 3D molecule generation. These models incorporate Euclidean symmetries of 3D molecules by utilizing an SE(3)-equivariant denoising network. However, specialized equivariant architectures limit the scalability and efficiency of diffusion models. In this paper, we propose an approach that relaxes such equivariance constraints. Specifically, our approach learns a sample-dependent SO(3) transformation for each molecule to construct an aligned latent space. A non-equivariant diffusion model is then trained over the aligned representations. Experimental results demonstrate that our approach performs significantly better than previously reported non-equivariant models. It yields sample quality comparable to state-of-the-art equivariant diffusion models and offers improved training and sampling efficiency. Our code is available at https://github.com/skeletondyh/RADM
• Abstract（参考訳）: 等変拡散モデルは3次元分子生成において顕著な性能を達成した。 これらのモデルは、3次元分子のユークリッド対称性をSE(3)-同変デノナイジングネットワークを用いて組み込む。 しかし、特殊同変アーキテクチャは拡散モデルのスケーラビリティと効率を制限している。 本稿では,そのような均衡制約を緩和する手法を提案する。 具体的には, 各分子のサンプル依存型SO(3)変換を学習し, 一致した潜在空間を構築する。 非同変拡散モデルが整列表現上で訓練される。 実験結果から,本手法は従来報告した非同変モデルよりも優れた性能を示した。 これは、最先端の同変拡散モデルに匹敵するサンプル品質をもたらし、トレーニングとサンプリング効率の改善を提供する。 私たちのコードはhttps://github.com/skeletondyh/RADMで利用可能です。

関連論文リスト

• Do we need equivariant models for molecule generation? [2.336105667374686]
  回転強化により訓練された非同変畳み込みニューラルネットワーク(CNN)が等変モデルの等価性を学習し、同変モデルの性能に適合できるかどうかを検討する。 我々の知る限り、これは生成タスクにおける学習された同値性を分析する最初の研究である。
  論文  参考訳（メタデータ） (2025-07-13T19:16:11Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [77.26556208024633]
  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。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• Symmetry-Aware Generative Modeling through Learned Canonicalization [20.978208085043455]
  対称密度の生成モデリングは、薬物発見から物理シミュレーションまで、AIの科学への応用範囲がある。 我々は、軌道毎の1つの代表要素のみが学習されるように、学習された密度のスライスをモデル化することを提案する。 分子モデルに関する予備実験の結果は有望であり, 改良された試料品質と高速な推論時間を示す。
  論文  参考訳（メタデータ） (2025-01-14T01:08:15Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• Discrete generative diffusion models without stochastic differential equations: a tensor network approach [1.5839621757142595]
  拡散モデル(DM)は、生成機械学習の手法のクラスである。 ネットワーク(TN)を用いて,このような離散モデルを効率的に定義し,サンプリングする方法を示す。」
  論文  参考訳（メタデータ） (2024-07-15T18:00:11Z)
• Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
  データから解釈可能な等価性を発見する方法について検討する。 具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。 また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
  論文  参考訳（メタデータ） (2022-04-07T17:59:19Z)
• 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)
• 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)
• Learning Equivariant Energy Based Models with Equivariant Stein Variational Gradient Descent [80.73580820014242]
  本稿では,確率モデルに対称性を組み込むことにより,確率密度の効率的なサンプリングと学習の問題に焦点をあてる。 まず、等変シュタイン変分勾配Descentアルゴリズムを導入する。これは、対称性を持つ密度からサンプリングするスタインの同一性に基づく同変サンプリング法である。 我々はエネルギーベースモデルのトレーニングを改善し、スケールアップする新しい方法を提案する。
  論文  参考訳（メタデータ） (2021-06-15T01:35:17Z)

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。