論文の概要: Flow matching for reaction pathway generation

• arxiv url: http://arxiv.org/abs/2507.10530v4
• Date: Wed, 05 Nov 2025 02:11:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 16:07:39.683089
• Title: Flow matching for reaction pathway generation
• Title（参考訳）: 反応経路生成のためのフローマッチング
• Authors: Ping Tuo, Jiale Chen, Ju Li,
• Abstract要約: モルゲンは、ガウス前駆体を標的とする化学分布を輸送する最適な輸送経路を学習する条件付きフローマッチングフレームワークである。 TSDiffとOA-ReactDiffが使用しているベンチマークでは、MolGENはTSの幾何精度とバリアハイト予測を超越し、サンプリングを秒未満に削減している。 MolGENはまた、競合するトップkの精度でオープンな製品生成をサポートし、シーケンスモデルに共通する質量/電子バランス違反を避ける。
• 参考スコア（独自算出の注目度）: 1.8420084274819617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Elucidating reaction mechanisms hinges on efficiently generating transition states (TSs), products, and complete reaction networks. Recent generative models, such as diffusion models for TS sampling and sequence-based architectures for product generation, offer faster alternatives to quantum-chemistry searches. But diffusion models remain constrained by their stochastic differential equation (SDE) dynamics, which suffer from inefficiency and limited controllability. We show that flow matching, a deterministic ordinary differential (ODE) formulation, can replace SDE-based diffusion for molecular and reaction generation. We introduce MolGEN, a conditional flow-matching framework that learns an optimal transport path to transport Gaussian priors to target chemical distributions. On benchmarks used by TSDiff and OA-ReactDiff, MolGEN surpasses TS geometry accuracy and barrier-height prediction while reducing sampling to sub-second inference. MolGEN also supports open-ended product generation with competitive top-k accuracy and avoids mass/electron-balance violations common to sequence models. In a realistic test on the $\gamma$-ketohydroperoxide decomposition network, MolGEN yields higher fractions of valid and intended TSs with markedly fewer quantum-chemistry evaluations than string-based baselines. These results demonstrate that deterministic flow matching provides a unified, accurate, and computationally efficient foundation for molecular generative modeling, signaling that flow matching is the future for molecular generation across chemistry.
• Abstract（参考訳）: 反応機構の解明は、効率よく遷移状態(TSs)、生成物、および完全な反応ネットワークを生成する。 TSサンプリングの拡散モデルや製品生成のシーケンスベースアーキテクチャといった最近の生成モデルは、量子化学探索の高速な代替手段を提供する。 しかし拡散モデルは、その確率微分方程式(SDE)のダイナミクスによって制約され続けており、これは非効率性と限定的な制御性に悩まされている。 決定論的常微分(ODE)の定式化であるフローマッチングは、SDEに基づく拡散を分子および反応生成に置き換えることができることを示す。 我々は,ガウス前駆体を輸送して化学分布を目標とする最適な輸送経路を学習する条件付きフローマッチングフレームワークであるMolGENを紹介する。 TSDiffとOA-ReactDiffが使用しているベンチマークでは、MolGENはTSの幾何精度とバリアハイト予測を超越し、サンプリングを秒以下の推論に還元する。 MolGENはまた、競合するトップkの精度でオープンな製品生成をサポートし、シーケンスモデルに共通する質量/電子バランス違反を避ける。 $\gamma$-ketohydroperoxide分解ネットワークの現実的なテストにおいて、モルゲンは、文字列ベースのベースラインよりも明らかに少ない量子化学評価で、有効かつ意図されたTSのより高い分数を得る。 これらの結果は、決定論的フローマッチングが、分子生成モデリングの統一的で、正確で、計算的に効率的な基礎を提供することを示した。

関連論文リスト

• Neural network ensemble for computing cross sections for rotational transitions in H$_{2}$O + H$_{2}$O collisions [0.0]
  ニューラルネットワーク(NN)のアンサンブルを用いて断面予測を行う機械学習ツールを提案する。 提案手法は、混合量子古典理論(MQCT)を用いて計算されたデータを利用する。 トレーニングには計算データの約10%しか使用せず、NNはH$_2$O + H$_2$O衝突の状態-状態間の回転遷移の断面積を予測する。
  論文  参考訳（メタデータ） (2025-07-25T05:59:32Z)
• Rapid initial state preparation for the quantum simulation of strongly correlated molecules [4.639143844012453]
  Toffoliの複雑性でユニタリ合成を実現する方法を示す。 フィルタリングにはサンプリングとバイナリ検索の2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-18T07:04:32Z)
• React-OT: Optimal Transport for Generating Transition State in Chemical Reactions [45.99250641377074]
  反応物や生成物から一意な遷移状態構造を生成するための最適な輸送手法であるReact-OTを開発した。 Re React-OTは、0.053AAの中央構造根平均平方偏差(RMSD)と1.06 kcal/molの中央障壁誤差を持つ高度精度の高いTS構造を生成する。
  論文  参考訳（メタデータ） (2024-04-20T17:31:45Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• Accurate transition state generation with an object-aware equivariant elementary reaction diffusion model [9.878043289026731]
  遷移状態 (TS) 探索は反応機構の解明と反応ネットワークの探索に重要である。 そこで本研究では, 基本反応における構造の集合を生成するためのすべての物理対称性と制約を満たす, オブジェクト対応SE(3)同変拡散モデルを開発する。 反応物と生成物が与えられたこのモデルは、量子化学に基づく最適化を行うのに必要な時間ではなく、数秒でTS構造を生成する。
  論文  参考訳（メタデータ） (2023-04-12T22:21:36Z)
• Stochastic Optimal Control for Collective Variable Free Sampling of Molecular Transition Paths [60.254555533113674]
  分子系の2つの準安定状態間の遷移経路をサンプリングする問題を考察する。 本稿では,その遷移をサンプリングする機械学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-27T14:01:06Z)
• Machine Learning Product State Distributions from Initial Reactant States for a Reactive Atom-Diatom Collision System [2.678461526933908]
  特定の初期状態から製品状態の分布を予測する機械学習(ML)モデルを示す。 根平均二乗差によって定量化される予測精度は、テストセットおよびオフグリッド状態特定初期条件に対して高い。 STDモデルは非平衡高速流れのシミュレーションに適している。
  論文  参考訳（メタデータ） (2021-11-05T15:36:27Z)
• A New Framework for Variance-Reduced Hamiltonian Monte Carlo [88.84622104944503]
  分散還元型ハミルトン・モンテカルロ法 (HMC) の新たなフレームワークを提案し,$L$-smooth および $m$-strongly log-concave 分布からサンプリングする。 本研究では,SAGA法やSVRG法をベースとした非バイアス勾配推定器を用いて,バッチサイズを小さくすることで,高い勾配効率が得られることを示す。 総合的および実世界のベンチマークデータによる実験結果から、我々の新しいフレームワークは、完全な勾配と勾配HMCアプローチを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2021-02-09T02:44:24Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
  NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。 格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
  論文  参考訳（メタデータ） (2020-02-25T19:18:36Z)

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。