論文の概要: Equivariant Neural Diffusion for Molecule Generation
- arxiv url: http://arxiv.org/abs/2506.10532v1
- Date: Thu, 12 Jun 2025 09:57:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 15:37:22.677757
- Title: Equivariant Neural Diffusion for Molecule Generation
- Title（参考訳）: 分子生成のための同変神経拡散
- Authors: François Cornet, Grigory Bartosh, Mikkel N. Schmidt, Christian A. Naesseth,
- Abstract要約: 3次元における分子生成のための同変神経拡散(END)を導入する。
ENDはユークリッド変換と等価な3次元分子生成の新しい拡散モデルである。
- 参考スコア（独自算出の注目度）: 3.9703886835821973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Equivariant Neural Diffusion (END), a novel diffusion model for molecule generation in 3D that is equivariant to Euclidean transformations. Compared to current state-of-the-art equivariant diffusion models, the key innovation in END lies in its learnable forward process for enhanced generative modelling. Rather than pre-specified, the forward process is parameterized through a time- and data-dependent transformation that is equivariant to rigid transformations. Through a series of experiments on standard molecule generation benchmarks, we demonstrate the competitive performance of END compared to several strong baselines for both unconditional and conditional generation.
- Abstract（参考訳）: Equivariant Neural Diffusion (END) はユークリッド変換と等価な3次元分子生成のための新しい拡散モデルである。
現在の最先端同変拡散モデルと比較すると、ENDの重要な革新は、生成的モデリングを強化するための学習可能な前進過程にある。
事前に特定されるのではなく、フォワードプロセスは、厳密な変換に同値な時間依存変換とデータ依存変換によってパラメータ化される。
標準分子生成ベンチマークの一連の実験を通じて、無条件および条件付き両方の強力なベースラインと比較して、ENDの競合性能を実証する。
関連論文リスト
- Scalable Non-Equivariant 3D Molecule Generation via Rotational Alignment [24.144491389884983]
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。
論文 参考訳（メタデータ） (2025-06-11T21:23:56Z) - Equivariant Spherical Transformer for Efficient Molecular Modeling [6.616200165174097]
我々は,群表現の空間領域内でトランスフォーマー構造を利用する新しいフレームワークであるEquivariant Spherical Transformer (EST)を紹介した。
ESTは、優れた表現性を達成しつつ、テンソル積の関数空間を包含することができる。
実験では、OC20やQM9を含む様々な分子ベンチマークにおいて、ESTによる最先端性能を実証した。
論文 参考訳（メタデータ） (2025-05-29T04:43:07Z) - 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) - 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) - 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) - 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)
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。