論文の概要: Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models

• arxiv url: http://arxiv.org/abs/2506.17139v2
• Date: Tue, 04 Nov 2025 12:36:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.343263
• Title: Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models
• Title（参考訳）: 一貫性サンプリングとシミュレーション:エネルギーベース拡散モデルを用いた分子動力学
• Authors: Michael Plainer, Hao Wu, Leon Klein, Stephan Günnemann, Frank Noé,
• Abstract要約: 本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。 高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
• 参考スコア（独自算出の注目度）: 50.77646970127369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, diffusion models trained on equilibrium molecular distributions have proven effective for sampling biomolecules. Beyond direct sampling, the score of such a model can also be used to derive the forces that act on molecular systems. However, while classical diffusion sampling usually recovers the training distribution, the corresponding energy-based interpretation of the learned score is often inconsistent with this distribution, even for low-dimensional toy systems. We trace this inconsistency to inaccuracies of the learned score at very small diffusion timesteps, where the model must capture the correct evolution of the data distribution. In this regime, diffusion models fail to satisfy the Fokker--Planck equation, which governs the evolution of the score. We interpret this deviation as one source of the observed inconsistencies and propose an energy-based diffusion model with a Fokker--Planck-derived regularization term to enforce consistency. We demonstrate our approach by sampling and simulating multiple biomolecular systems, including fast-folding proteins, and by introducing a state-of-the-art transferable Boltzmann emulator for dipeptides that supports simulation and achieves improved consistency and efficient sampling. Our code, model weights, and self-contained JAX and PyTorch notebooks are available at https://github.com/noegroup/ScoreMD.
• Abstract（参考訳）: 近年、平衡分子分布で訓練された拡散モデルが生体分子のサンプリングに有効であることが証明されている。 直接サンプリング以外にも、そのようなモデルのスコアは、分子系に作用する力を導出するためにも用いられる。 しかしながら、古典的な拡散サンプリングは通常、トレーニング分布を復元するが、学習したスコアの対応するエネルギーベースの解釈は、低次元の玩具システムにおいても、この分布と矛盾することが多い。 この矛盾を、非常に小さな拡散時間ステップで学習したスコアの不正確さに遡り、モデルがデータ分布の正しい進化を捉える必要がある。 この状態において、拡散モデルは、スコアの進化を支配するフォッカー・プランク方程式を満たすことができない。 我々は、この偏差を観測された不整合の1つの源として解釈し、一貫性を強制するためにFokker-Planck由来の正規化項を持つエネルギーベースの拡散モデルを提案する。 我々は, 高速折り畳みタンパク質を含む複数の生体分子系をサンプリング・シミュレーションし, シミュレーションをサポートし, 改良された一貫性と効率的なサンプリングを実現するジペプチドに, 最先端の転写可能なボルツマンエミュレータを導入することにより, アプローチを実証する。 私たちのコード、モデルウェイト、そして自己完結したJAXとPyTorchノートブックはhttps://github.com/noegroup/ScoreMD.comで入手できる。

関連論文リスト

• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [53.93023688824764]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [85.83359661628575]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Potential Score Matching: Debiasing Molecular Structure Sampling with Potential Energy Guidance [11.562962976129292]
  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。
  論文  参考訳（メタデータ） (2025-03-18T11:27:28Z)
• 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)
• Hessian-Informed Flow Matching [4.542719108171107]
  Hessian-Informed Flow Matchingは、エネルギー関数のHessianを条件流に統合する新しいアプローチである。 この積分により、HI-FMは局所曲率と異方性共分散構造を考慮できる。 MNIST と Lennard-Jones 粒子のデータセットに関する実証的な評価は、HI-FM が試験サンプルの可能性を改善していることを示している。
  論文  参考訳（メタデータ） (2024-10-15T09:34:52Z)
• Provable Statistical Rates for Consistency Diffusion Models [87.28777947976573]
  最先端の性能にもかかわらず、拡散モデルは、多くのステップが伴うため、遅いサンプル生成で知られている。 本稿では, 整合性モデルに関する最初の統計理論に寄与し, 分散不整合最小化問題としてトレーニングを定式化している。
  論文  参考訳（メタデータ） (2024-06-23T20:34:18Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Graph Diffusion Transformers for Multi-Conditional Molecular Generation [16.58392955245203]
  多条件分子生成のためのグラフ拡散変換器(Graph DiT)を提案する。 Graph DiTはエンコーダを統合し、数値的および分類的プロパティ表現とTransformerベースのデノイザを学習する。 その結果、分布学習から分子特性の条件制御まで、9つの指標にまたがるグラフDiTの優位性が示された。
  論文  参考訳（メタデータ） (2024-01-24T23:45:31Z)
• Uncertainty-aware Surrogate Models for Airfoil Flow Simulations with Denoising Diffusion Probabilistic Models [26.178192913986344]
  本研究では,拡散確率モデル(DDPM)を用いて乱流シミュレーションのための不確実性を考慮した代理モデルの訓練を行う。 その結果、DDPMは解全体の分布を正確に把握し、その結果、シミュレーションの不確かさを正確に推定できることがわかった。 また,正規拡散モデルと比較して,新たな生成モデルであるフローマッチングの評価を行った。
  論文  参考訳（メタデータ） (2023-12-08T19:04:17Z)
• Renormalizing Diffusion Models [0.7252027234425334]
  拡散モデルを用いて、統計および量子場理論の逆再正規化群フローを学習する。 我々の研究は、多スケール拡散モデルの解釈を提供し、新しい性質を持つべき拡散モデルに対する物理的に着想を得た提案を与える。
  論文  参考訳（メタデータ） (2023-08-23T18:02:31Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)

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。