論文の概要: NEAT: Neighborhood-Guided, Efficient, Autoregressive Set Transformer for 3D Molecular Generation

• arxiv url: http://arxiv.org/abs/2512.05844v1
• Date: Fri, 05 Dec 2025 16:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:57.0963
• Title: NEAT: Neighborhood-Guided, Efficient, Autoregressive Set Transformer for 3D Molecular Generation
• Title（参考訳）: NEAT:3次元分子生成のための近隣誘導型高効率自己回帰型変圧器
• Authors: Daniel Rose, Roxane Axel Jacob, Johannes Kirchmair, Thierry Langer,
• Abstract要約: 我々は、分子グラフを原子の集合として扱う、近隣誘導、効率的、自己回帰、集合変換器NEATを紹介する。 NEATは計算効率の高い3次元分子生成における最先端性能にアプローチする。
• 参考スコア（独自算出の注目度）: 3.0919057031368506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoregressive models are a promising alternative to diffusion-based models for 3D molecular structure generation. However, a key limitation is the assumption of a token order: while text has a natural sequential order, the next token prediction given a molecular graph prefix should be invariant to atom permutations. Previous works sidestepped this mismatch by using canonical orders or focus atoms. We argue that this is unnecessary. We introduce NEAT, a Neighborhood-guided, Efficient, Autoregressive, Set Transformer that treats molecular graphs as sets of atoms and learns the order-agnostic distribution over admissible tokens at the graph boundary with an autoregressive flow model. NEAT approaches state-of-the-art performance in 3D molecular generation with high computational efficiency and atom-level permutation invariance, establishing a practical foundation for scalable molecular design.
• Abstract（参考訳）: 自己回帰モデル(Autoregressive model)は、3次元分子構造生成のための拡散モデルに代わる有望な選択肢である。 しかし、鍵となる制限はトークン順序の仮定である: テキストは自然な逐次順序を持つが、分子グラフプレフィックスが与えられた次のトークン予測は、原子置換に不変であるべきである。 それまでの作業では、正準位やフォーカス原子を用いて、このミスマッチを横取りしていた。 これは不要であると主張する。 分子グラフを原子の集合として扱い、自己回帰フローモデルを用いて、グラフ境界における許容トークン上の秩序非依存分布を学習する。 NEATは、高い計算効率と原子レベルの置換不変性を持つ3次元分子生成の最先端性能にアプローチし、スケーラブルな分子設計の実践的基盤を確立した。

関連論文リスト

• Learning-Order Autoregressive Models with Application to Molecular Graph Generation [52.44913282062524]
  本稿では,データから逐次推定される確率的順序付けを用いて高次元データを生成するARMの変種を紹介する。 提案手法は,画像およびグラフ生成において有意義な自己回帰順序を学習できることを実験的に実証した。
  論文  参考訳（メタデータ） (2025-03-07T23:24:24Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• BindGPT: A Scalable Framework for 3D Molecular Design via Language Modeling and Reinforcement Learning [11.862370962277938]
  本稿では,タンパク質結合部位内で3D分子を生成するために,概念的にシンプルだが強力なアプローチを用いた新規な生成モデルBindGPTを提案する。 このような単純な概念的アプローチと事前学習とスケーリングが組み合わさって、現在の最高の特殊拡散モデルよりも同等以上の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2024-06-06T02:10:50Z)
• Pard: Permutation-Invariant Autoregressive Diffusion for Graph Generation [36.896680500652536]
  本稿では,拡散モデルと自己回帰手法を統合した置換不変な自己回帰拡散モデルを提案する。 Pardは分子と非分子のデータセットで最先端のパフォーマンスを達成し、1.9M分子を含むMOSESのような大規模なデータセットにスケールする。
  論文  参考訳（メタデータ） (2024-02-06T04:17:44Z)
• 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)

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。