論文の概要: HyperDiffusionFields (HyDiF): Diffusion-Guided Hypernetworks for Learning Implicit Molecular Neural Fields

• arxiv url: http://arxiv.org/abs/2510.18122v1
• Date: Mon, 20 Oct 2025 21:41:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.641515
• Title: HyperDiffusionFields (HyDiF): Diffusion-Guided Hypernetworks for Learning Implicit Molecular Neural Fields
• Title（参考訳）: HyperDiffusionFields (HyDiF): 拡散誘導ハイパーネットによる不規則な分子磁場の学習
• Authors: Sudarshan Babu, Phillip Lo, Xiao Zhang, Aadi Srivastava, Ali Davariashtiyani, Jason Perera, Michael Maire, Aly A. Khan,
• Abstract要約: 我々は3次元分子コンホメータを連続体としてモデル化するフレームワークであるHyperDiffusionFields (HyDiF)を紹介した。 我々のアプローチの核となるのは分子方向場(MDF)であり、これは空間上の任意の点を特定のタイプの最も近い原子の向きにマッピングするベクトル場である。 我々のアプローチはより大きな生体分子にスケールし、フィールドベース分子モデリングの有望な方向を示す。
• 参考スコア（独自算出の注目度）: 12.849722578846178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce HyperDiffusionFields (HyDiF), a framework that models 3D molecular conformers as continuous fields rather than discrete atomic coordinates or graphs. At the core of our approach is the Molecular Directional Field (MDF), a vector field that maps any point in space to the direction of the nearest atom of a particular type. We represent MDFs using molecule-specific neural implicit fields, which we call Molecular Neural Fields (MNFs). To enable learning across molecules and facilitate generalization, we adopt an approach where a shared hypernetwork, conditioned on a molecule, generates the weights of the given molecule's MNF. To endow the model with generative capabilities, we train the hypernetwork as a denoising diffusion model, enabling sampling in the function space of molecular fields. Our design naturally extends to a masked diffusion mechanism to support structure-conditioned generation tasks, such as molecular inpainting, by selectively noising regions of the field. Beyond generation, the localized and continuous nature of MDFs enables spatially fine-grained feature extraction for molecular property prediction, something not easily achievable with graph or point cloud based methods. Furthermore, we demonstrate that our approach scales to larger biomolecules, illustrating a promising direction for field-based molecular modeling.
• Abstract（参考訳）: 我々は3次元分子コンホメータを離散的な原子座標やグラフではなく連続体としてモデル化するフレームワークであるHyperDiffusionFields (HyDiF)を紹介する。 我々のアプローチの核となるのは分子方向場(MDF)であり、これは空間上の任意の点を特定のタイプの最も近い原子の向きにマッピングするベクトル場である。 我々は分子特異的なニューラル暗黙フィールドを用いてMDFを表現し、分子ニューラルフィールド(MNF)と呼ぶ。 分子間の学習を可能とし、一般化を促進するために、分子上に条件付けられた共有ハイパーネットワークが、与えられた分子のMNFの重みを生成するアプローチを採用する。 モデルに生成能力を付与するため,分子場の関数空間のサンプリングを可能にするため,超ネットワークをデノナイズ拡散モデルとして訓練する。 我々の設計は自然界の領域を選択的にノイズ付けすることで、分子の塗布などの構造条件付き生成タスクをサポートするために、マスク付き拡散機構に自然に拡張する。 生成以外にも、MDFの局所的かつ連続的な性質は、グラフや点クラウドベースの手法では容易に達成できない、空間的にきめ細かい特徴抽出を可能にする。 さらに,本手法はより大きな生体分子に拡張し,フィールドベース分子モデリングの有望な方向性を示す。

関連論文リスト

• Torsional-GFN: a conditional conformation generator for small molecules [75.91029322687771]
  ボルツマン分布に比例して分子の配座をサンプリングするために特別に設計された条件付きGFlowNetを導入する。 我々の研究は、提案したアプローチをより大きな分子系に拡張するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-07-15T21:53:25Z)
• LDMol: A Text-to-Molecule Diffusion Model with Structurally Informative Latent Space Surpasses AR Models [55.5427001668863]
  テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。 実験の結果, LDMolはテキストから分子生成ベンチマークにおいて, 既存の自己回帰ベースラインよりも優れていた。 我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
  論文  参考訳（メタデータ） (2024-05-28T04:59:13Z)
• Swallowing the Bitter Pill: Simplified Scalable Conformer Generation [12.341835649897886]
  分子コンホメータを簡易な定式化により予測する新しい手法を提案する。 構造学習を根本的に単純化し、モデルサイズのスケールアップを簡単にできます。 このモデルは、分子コンフォーマー場(MCF)と呼ばれ、コンフォーマー構造を分子グラフから空間内の3D位置に直接マッピングする関数としてパラメータ化することで機能する。
  論文  参考訳（メタデータ） (2023-11-27T22:53:41Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Learning Harmonic Molecular Representations on Riemannian Manifold [18.49126496517951]
  分子表現学習は、AIによる薬物発見研究において重要な役割を担っている。 本研究では,その分子表面のラプラス・ベルトラミ固有関数を用いた分子を表現する高調波分子表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-27T18:02:47Z)
• An Extendible, Graph-Neural-Network-Based Approach for Accurate Force Field Development of Large Flexible Organic Molecules [4.456834955307613]
  我々はCWレベルの精度で大きなフレキシブル有機分子に対する伸縮性ab initio力場を開発する。 ポリエチレングリコールポリマー鎖の試験により, 異なる大きさの分子に対して, 我々の戦略は極めて正確かつ堅牢であることが判明した。
  論文  参考訳（メタデータ） (2021-06-02T04:12:54Z)

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。