論文の概要: VEDA: 3D Molecular Generation via Variance-Exploding Diffusion with Annealing
- arxiv url: http://arxiv.org/abs/2511.09568v1
- Date: Fri, 14 Nov 2025 01:00:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-14 22:53:22.32731
- Title: VEDA: 3D Molecular Generation via Variance-Exploding Diffusion with Annealing
- Title（参考訳）: VEDA: 熱処理による拡散拡散による3次元分子生成
- Authors: Peining Zhang, Jinbo Bi, Minghu Song,
- Abstract要約: VEDAは分散拡散とアニーリングを組み合わせて3D構造を生成するフレームワークである。
QM9とGEOM-DRUGSデータセットでは、VEDAはフローベースモデルのサンプリング効率と一致する。
VEDAの生成した構造は、緩和エネルギーによって測定されるように、驚くほど安定である。
- 参考スコア（独自算出の注目度）: 4.288647933894182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models show promise for 3D molecular generation, but face a fundamental trade-off between sampling efficiency and conformational accuracy. While flow-based models are fast, they often produce geometrically inaccurate structures, as they have difficulty capturing the multimodal distributions of molecular conformations. In contrast, denoising diffusion models are more accurate but suffer from slow sampling, a limitation attributed to sub-optimal integration between diffusion dynamics and SE(3)-equivariant architectures. To address this, we propose VEDA, a unified SE(3)-equivariant framework that combines variance-exploding diffusion with annealing to efficiently generate conformationally accurate 3D molecular structures. Specifically, our key technical contributions include: (1) a VE schedule that enables noise injection functionally analogous to simulated annealing, improving 3D accuracy and reducing relaxation energy; (2) a novel preconditioning scheme that reconciles the coordinate-predicting nature of SE(3)-equivariant networks with a residual-based diffusion objective, and (3) a new arcsin-based scheduler that concentrates sampling in critical intervals of the logarithmic signal-to-noise ratio. On the QM9 and GEOM-DRUGS datasets, VEDA matches the sampling efficiency of flow-based models, achieving state-of-the-art valency stability and validity with only 100 sampling steps. More importantly, VEDA's generated structures are remarkably stable, as measured by their relaxation energy during GFN2-xTB optimization. The median energy change is only 1.72 kcal/mol, significantly lower than the 32.3 kcal/mol from its architectural baseline, SemlaFlow. Our framework demonstrates that principled integration of VE diffusion with SE(3)-equivariant architectures can achieve both high chemical accuracy and computational efficiency.
- Abstract（参考訳）: 拡散モデルは3次元分子生成を約束するが、サンプリング効率とコンフォメーション精度の基本的なトレードオフに直面している。
フローベースモデルは高速であるが、分子配座のマルチモーダル分布を捉えるのが困難であるため、幾何学的に不正確な構造を生成することが多い。
対照的に、微分拡散モデルはより正確であるが、拡散力学とSE(3)-同変アーキテクチャの準最適積分に起因する制限である緩やかなサンプリングに悩まされている。
そこで本研究では, 分散拡散とアニーリングを組み合わせ, コンフォメーション精度の高い3次元分子構造を効率よく生成する, SE(3)-equivariant 統合フレームワーク VEDA を提案する。
具体的には,(1)アニーリングに類似したノイズ注入を可能とし,3次元精度を向上し,緩和エネルギーを低減させるVEスケジュール,(2)SE(3)-同変ネットワークの座標予測特性を残留拡散目標と整合させる新しいプレコンディショニングスキーム,(3)対数信号-雑音比の臨界間隔でサンプリングを集中する新しいアルシンベースのスケジューラなどが技術貢献である。
QM9とGEOM-DRUGSデータセットでは、VEDAはフローベースモデルのサンプリング効率と一致し、最先端の原子価安定性と妥当性を100ステップで達成する。
さらに重要なことは、VEDAの生成した構造は、GFN2-xTB最適化中の緩和エネルギーによって測定されるように、著しく安定である。
中央のエネルギー変化はわずか1.72 kcal/molであり、建築基準であるSemlaFlowの32.3 kcal/molよりもかなり低い。
本フレームワークは, VE拡散のSE(3)等変アーキテクチャとの原理的統合により, 高い化学精度と計算効率を両立できることを示す。
関連論文リスト
- Breaking the Bottlenecks: Scalable Diffusion Models for 3D Molecular Generation [0.0]
拡散モデルは分子設計のための強力な生成モデルとして登場した。
彼らの使用は、長いサンプリング軌道、逆過程のばらつき、そして力学の認知における構造的認識の制限によって制限されている。
直接分極拡散モデル(英語版)は、逆MCMC更新を決定論的分極ステップに置き換えることでこれらの非効率性を緩和する。
論文 参考訳（メタデータ） (2026-01-13T20:09:44Z) - Score Distillation of Flow Matching Models [67.86066177182046]
我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。
SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。
これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
論文 参考訳（メタデータ） (2025-09-29T17:45:48Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - Frame-based Equivariant Diffusion Models for 3D Molecular Generation [16.663144492330247]
分子生成のためのスケーラブルでフレキシブルで物理的に基盤化されたパラダイムとして,フレームベースの拡散について検討する。
本研究は, フレームベース拡散を分子生成のための拡張性, 柔軟性, 物理的基盤となるパラダイムとして確立する。
論文 参考訳（メタデータ） (2025-09-23T19:23:37Z) - Masked Diffusion Models as Energy Minimization [102.84400389614262]
仮面拡散モデル(MDMs)は、離散的最適輸送におけるエネルギー問題に対する解である。
MDMの構造の下では、3つの異なるエネルギー(運動学、条件運動学、測地学)が数学的に等価であることを示す。
この統合はMDMの理論的基礎を明らかにするだけでなく、サンプリングの実践的な改善も動機付けている。
論文 参考訳（メタデータ） (2025-09-17T09:57:31Z) - FlowMol3: Flow Matching for 3D De Novo Small-Molecule Generation [0.0]
FlowMol3はオープンソースのマルチモーダルフローマッチングモデルで、全原子、小分子生成のための最先端技術である。
本研究は,拡散型および流動型分子生成モデルの安定性と品質を向上させるための,単純かつ伝達可能な戦略を強調した。
論文 参考訳（メタデータ） (2025-08-18T05:13:27Z) - Point-wise Diffusion Models for Physical Systems with Shape Variations: Application to Spatio-temporal and Large-scale system [1.474723404975345]
本稿では,形状変化を伴う複雑な物理系を効率的に予測するために,時間的点を独立に処理する点幅拡散モデルを提案する。
複雑な幾何学的構成を持つ3つの異なる物理領域にまたがるアプローチを検証する。
提案手法は,画像ベース拡散モデルよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2025-08-02T06:55:59Z) - Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
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) - 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)
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。