論文の概要: Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification

• arxiv url: http://arxiv.org/abs/2512.22597v1
• Date: Sat, 27 Dec 2025 14:00:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.126976
• Title: Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification
• Title（参考訳）: 数ステップコンバータ生成と基底状態同定が可能なエネルギー誘導型流れマッチング
• Authors: Guikun Xu, Xiaohan Yi, Peilin Zhao, Yatao Bian,
• Abstract要約: 本稿では,明示的な学習エネルギーモデルとフローマッチングを結合する統合フレームワークであるEnFlowを紹介する。 サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出する。 さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。
• 参考スコア（独自算出の注目度）: 45.52894539097255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating low-energy conformer ensembles and identifying ground-state conformations from molecular graphs remain computationally demanding with physics-based pipelines. Current learning-based approaches often suffer from a fragmented paradigm: generative models capture diversity but lack reliable energy calibration, whereas deterministic predictors target a single structure and fail to represent ensemble variability. Here we present EnFlow, a unified framework that couples flow matching (FM) with an explicitly learned energy model through an energy-guided sampling scheme defined along a non-Gaussian FM path. By incorporating energy-gradient guidance during sampling, our method steers trajectories toward lower-energy regions, substantially improving conformational fidelity, particularly in the few-step regime. The learned energy function further enables efficient energy-based ranking of generated ensembles for accurate ground-state identification. Extensive experiments on GEOM-QM9 and GEOM-Drugs demonstrate that EnFlow simultaneously improves generation metrics with 1--2 ODE-steps and reduces ground-state prediction errors compared with state-of-the-art methods.
• Abstract（参考訳）: 低エネルギーコンバータアンサンブルの生成と分子グラフからの基底状態コンバータの同定は、物理ベースのパイプラインで計算的に要求される。 現在の学習に基づくアプローチは、しばしば断片化されたパラダイムに悩まされる: 生成モデルは多様性をキャプチャするが、信頼できるエネルギーキャリブレーションが欠如する一方、決定論的予測器は単一の構造をターゲットとし、アンサンブルの変動を表現できない。 本稿では,非ガウス的FM経路に沿って定義されたエネルギー誘導サンプリングスキームを用いて,流れマッチング(FM)と明示的に学習されたエネルギーモデルとを結合する統一フレームワークEnFlowを提案する。 サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出し,コンフォメーションの忠実度を著しく向上させる。 さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。 GEOM-QM9 と GEOM-Drugs の大規模な実験により、EnFlow は 1--2 ODE ステップで生成メトリクスを同時に改善し、最先端の手法と比較して基底状態の予測誤差を低減することを示した。

関連論文リスト

• Equilibrium Matching: Generative Modeling with Implicit Energy-Based Models [52.74448905289362]
  EqMは、平衡力学の観点から構築された生成モデリングフレームワークである。 時間条件の速度を統一された平衡景観に置き換えることで、EqMは流れとエネルギーベースのモデルの間により緊密な橋渡しを提供する。
  論文  参考訳（メタデータ） (2025-10-02T17:59:06Z)
• Learning Energy-Based Generative Models via Potential Flow: A Variational Principle Approach to Probability Density Homotopy Matching [9.12119858170289]
  エネルギーベースモデル(EBMs)は確率的生成モデルの強力なクラスである。 本稿では,新しいエネルギーベース生成フレームワークVPFBを提案する。
  論文  参考訳（メタデータ） (2025-04-22T20:39:07Z)
• Energy Matching: Unifying Flow Matching and Energy-Based Models for Generative Modeling [5.787270247104665]
  現在の最先端生成モデルは、フローやスコアの一致によって、ノイズをデータ分布にマッピングする。 本稿では,ESMの柔軟性を備えたフローベースアプローチを実現するフレームワークであるEnergy Matchingを提案する。
  論文  参考訳（メタデータ） (2025-04-14T18:10:58Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。