論文の概要: Efficient Molecular Conformer Generation with SO(3)-Averaged Flow Matching and Reflow
- arxiv url: http://arxiv.org/abs/2507.09785v1
- Date: Sun, 13 Jul 2025 20:48:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:23.977743
- Title: Efficient Molecular Conformer Generation with SO(3)-Averaged Flow Matching and Reflow
- Title（参考訳）: SO(3)平均流マッチングと再流を用いた効率的な分子コンバータ生成
- Authors: Zhonglin Cao, Mario Geiger, Allan dos Santos Costa, Danny Reidenbach, Karsten Kreis, Tomas Geffner, Franco Pellegrini, Guoqing Zhou, Emine Kucukbenli,
- Abstract要約: 本稿では,3次元分子コンホメータ生成のための生成モデルの訓練と推定を高速化する2つのメカニズムを提案する。
高速な推論のために,フローベースモデルの再流動蒸留法により,数段階,あるいは1段階の分子コンホメータ生成を高品質に行うことが可能であることを示す。
- 参考スコア（独自算出の注目度）: 20.687237892960038
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fast and accurate generation of molecular conformers is desired for downstream computational chemistry and drug discovery tasks. Currently, training and sampling state-of-the-art diffusion or flow-based models for conformer generation require significant computational resources. In this work, we build upon flow-matching and propose two mechanisms for accelerating training and inference of generative models for 3D molecular conformer generation. For fast training, we introduce the SO(3)-Averaged Flow training objective, which leads to faster convergence to better generation quality compared to conditional optimal transport flow or Kabsch-aligned flow. We demonstrate that models trained using SO(3)-Averaged Flow can reach state-of-the-art conformer generation quality. For fast inference, we show that the reflow and distillation methods of flow-based models enable few-steps or even one-step molecular conformer generation with high quality. The training techniques proposed in this work show a path towards highly efficient molecular conformer generation with flow-based models.
- Abstract（参考訳）: 下流の計算化学や薬物発見タスクにおいて,分子コンホメータの迅速かつ正確な生成が望まれている。
現在、コンホメータ生成のための最先端拡散モデルやフローベースモデルのトレーニングとサンプリングには、かなりの計算資源が必要である。
本研究では,フローマッチングを基盤として,3次元分子コンホメータ生成のための生成モデルの学習と推論を促進させる2つのメカニズムを提案する。
高速トレーニングには, 条件付き最適輸送流やカブシュ整列流と比較して, より高速なコンバージェンスを向上するSO(3)-Averaged Flowトレーニングの目標を導入する。
我々は,SO(3)平均フローを用いて学習したモデルが,最先端のコンバータ生成品質に達することを実証した。
高速な推論のために,フローベースモデルの再流動蒸留法により,数段階,あるいは1段階の分子コンホメータ生成を高品質に行うことが可能であることを示す。
本研究で提案するトレーニング手法は,フローベースモデルを用いた高効率分子コンホメータ生成への道筋を示す。
関連論文リスト
- Align Your Flow: Scaling Continuous-Time Flow Map Distillation [63.927438959502226]
フローマップは、任意の2つのノイズレベルを1ステップで接続し、すべてのステップカウントで有効に保ちます。
画像生成ベンチマークにおいて、Align Your Flowと呼ばれるフローマップモデルを広範囲に検証する。
テキスト条件付き合成において、既存の非横断的訓練された数ステップのサンプルよりも優れたテキスト間フローマップモデルを示す。
論文 参考訳（メタデータ） (2025-06-17T15:06:07Z) - Mean Flows for One-step Generative Modeling [64.4997821467102]
本稿では,一段階生成モデリングのための原理的かつ効果的なフレームワークを提案する。
ニューラルネットワークトレーニングのガイドには,平均速度と瞬時速度を適切に定義したアイデンティティが導出され,使用される。
提案手法はMeanFlowモデルと呼ばれ,自己完結型であり,事前学習,蒸留,カリキュラム学習は不要である。
論文 参考訳（メタデータ） (2025-05-19T17:59:42Z) - Straight-Line Diffusion Model for Efficient 3D Molecular Generation [25.63489191042975]
この問題に対処するために, SLDM(Straight-Line Diffusion Model)を提案する。
提案法は, 分子構造のノイズ感度特性とよく一致し, 再生過程全体にわたって再構成作業の均一な分散を行う。
SLDMは3次元分子生成ベンチマークの最先端性能を実現し,サンプリング効率を100倍に向上させる。
論文 参考訳（メタデータ） (2025-03-04T13:23:58Z) - Improving Molecular Graph Generation with Flow Matching and Optimal Transport [8.2504828891983]
GGFlowは分子グラフの最適輸送を取り入れた離散フローマッチング生成モデルである。
エッジ拡張グラフ変換器を内蔵し、化学結合間の直接通信を可能にする。
GGFlowは無条件および条件付き分子生成タスクにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2024-11-08T16:27:27Z) - 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) - Flow Generator Matching [35.371071097381346]
フロージェネレータマッチング(FGM)は、フローマッチングモデルのサンプリングをワンステップ生成に高速化するように設計されている。
CIFAR10の非条件生成ベンチマークでは、1段階のFGMモデルが新たなFr'echet Inception Distance(FID)スコア3.08を達成した。
MM-DiT-FGMワンステップテキスト・ツー・イメージモデルでは,業界レベルでの優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-10-25T05:41:28Z) - FlowTurbo: Towards Real-time Flow-Based Image Generation with Velocity Refiner [70.90505084288057]
フローベースモデルはサンプリングプロセス中により直線的なサンプリング軌道を生成する傾向にある。
擬似修正器やサンプル認識コンパイルなどいくつかの手法を導入し,推論時間をさらに短縮する。
FlowTurboはImageNet上で100(ms/img)で2.12FID、38(ms/img)で3.93FIDに達する
論文 参考訳（メタデータ） (2024-09-26T17:59:51Z) - SemlaFlow -- Efficient 3D Molecular Generation with Latent Attention and Equivariant Flow Matching [43.56824843205882]
SemlaはスケーラブルなE(3)等価メッセージパッシングアーキテクチャである。
SemlaFlowは、原子タイプ、座標、結合タイプ、正式な電荷の結合分布を生成するために訓練されている。
本モデルでは,20段階のサンプリングを行ない,ベンチマークデータセットの最先端結果を生成する。
論文 参考訳（メタデータ） (2024-06-11T13:51:51Z) - Mixed Continuous and Categorical Flow Matching for 3D De Novo Molecule Generation [0.0]
フローマッチングは拡散モデルを一般化する最近提案された生成モデリングフレームワークである。
本稿では,フローマッチングフレームワークを,確率単純性として知られるカテゴリデータの連続的な表現に制約のあるフローを構築することにより,カテゴリデータに拡張する。
実際には、データのカテゴリ的な性質に配慮しないシンプルなアプローチは、同等あるいは優れたパフォーマンスをもたらすことが分かっています。
論文 参考訳（メタデータ） (2024-04-30T17:37:21Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳（メタデータ） (2023-11-22T15:07:59Z)
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。