論文の概要: Breaking the Bottlenecks: Scalable Diffusion Models for 3D Molecular Generation

• arxiv url: http://arxiv.org/abs/2601.08963v1
• Date: Tue, 13 Jan 2026 20:09:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.156535
• Title: Breaking the Bottlenecks: Scalable Diffusion Models for 3D Molecular Generation
• Title（参考訳）: ボトルネックを破る:3次元分子生成のためのスケーラブル拡散モデル
• Authors: Adrita Das, Peiran Jiang, Dantong Zhu, Barnabas Poczos, Jose Lugo-Martinez,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models have emerged as a powerful class of generative models for molecular design, capable of capturing complex structural distributions and achieving high fidelity in 3D molecule generation. However, their widespread use remains constrained by long sampling trajectories, stochastic variance in the reverse process, and limited structural awareness in denoising dynamics. The Directly Denoising Diffusion Model (DDDM) mitigates these inefficiencies by replacing stochastic reverse MCMC updates with deterministic denoising step, substantially reducing inference time. Yet, the theoretical underpinnings of such deterministic updates have remained opaque. In this work, we provide a principled reinterpretation of DDDM through the lens of the Reverse Transition Kernel (RTK) framework by Huang et al. 2024, unifying deterministic and stochastic diffusion under a shared probabilistic formalism. By expressing the DDDM reverse process as an approximate kernel operator, we show that the direct denoising process implicitly optimizes a structured transport map between noisy and clean samples. This perspective elucidates why deterministic denoising achieves efficient inference. Beyond theoretical clarity, this reframing resolves several long-standing bottlenecks in molecular diffusion. The RTK view ensures numerical stability by enforcing well-conditioned reverse kernels, improves sample consistency by eliminating stochastic variance, and enables scalable and symmetry-preserving denoisers that respect SE(3) equivariance. Empirically, we demonstrate that RTK-guided deterministic denoising achieves faster convergence and higher structural fidelity than stochastic diffusion models, while preserving chemical validity across GEOM-DRUGS dataset. Code, models, and datasets are publicly available in our project repository.
• Abstract（参考訳）: 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、複雑な構造分布を捉え、3次元分子生成において高い忠実性を達成することができる。 しかし、長いサンプリング軌跡、逆過程における確率的分散、および力学の認知における構造的認識の制限により、広く使われている。 直接デノイング拡散モデル(DDDM)は、確率的逆MCMC更新を決定論的デノイングステップに置き換え、推論時間を著しく短縮することで、これらの非効率を緩和する。 しかし、そのような決定論的な更新の理論的基盤はいまだに不透明である。 本稿では,Huangらによるリバース・トランジション・カーネル(RTK)フレームワークのレンズによるDDDMの原理的再解釈について述べる。 DDDMの逆処理を近似カーネル演算子として表現することにより、直接分解処理は、ノイズとクリーンなサンプルの間の構造化されたトランスポートマップを暗黙的に最適化することを示す。 この観点は、なぜ決定論的推論が効率的な推論を達成するのかを解明する。 理論的な明快さの他に、この再フレーミングは分子拡散における長年のボトルネックを解決している。 RTKビューは、よく条件付けられた逆カーネルを強制することによって数値安定性を確保し、確率的分散を排除してサンプル一貫性を改善し、SE(3)等分散を尊重するスケーラブルで対称性を保ったデノイザを実現する。 実験により,RTK誘導による決定論的分解は,GEOM-DRUGSデータセットの化学的妥当性を維持しながら,確率的拡散モデルよりも早く収束し,構造的忠実性を高めることを実証した。 コード、モデル、データセットは、プロジェクトのリポジトリで公開されています。

関連論文リスト

• Diffusion Models are Molecular Dynamics Simulators [0.0]
  バッチ次元に逐次バイアスを付与したデノナイズ拡散サンプリング器が,ランゲヴィン力学を過度に破壊するオイラー・丸山積分器であることを証明した。 各逆消音ステップは、その関連するばね剛性を伴って、ノイズスケジュールとその剛性とで協調して設定された有効時間ステップを有する微分方程式の一段階と解釈することができる。 学習したスコアは、学習したエネルギーの勾配の役割を担い、拡散サンプリングとランゲヴィン時間進化の正確な対応を与える。
  論文  参考訳（メタデータ） (2025-11-21T19:48:32Z)
• VEDA: 3D Molecular Generation via Variance-Exploding Diffusion with Annealing [4.288647933894182]
  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。
  論文  参考訳（メタデータ） (2025-11-11T05:45:37Z)
• SDAR: A Synergistic Diffusion-AutoRegression Paradigm for Scalable Sequence Generation [62.14510717860079]
  本稿では, 自己回帰モデルの学習効率を, 拡散の並列推論能力で統一するSynergistic Diffusion-Autoregressionパラダイムを提案する。 SDARは、十分に訓練された自己回帰モデル(AR)を、簡潔でデータ効率のよい適応を通じてブロックワイズ拡散モデルに変換する、軽量なパラダイム変換を実行する。 この知見に基づいて、SDARは最小コストで効率的なAR-拡散変換を実現し、並列生成を可能にしながら、ARレベルのパフォーマンスを維持する。
  論文  参考訳（メタデータ） (2025-10-07T17:29:28Z)
• Continuously Augmented Discrete Diffusion model for Categorical Generative Modeling [87.34677262370924]
  標準離散拡散モデルは、吸収[MASK]トークンにそれらをマッピングすることで、すべての観測されていない状態を同一に扱う。 これは'インフォメーション・ヴォイド'を生成します。そこでは、偽のトークンから推測できるセマンティック情報は、デノイングステップの間に失われます。 連続的拡張離散拡散(Continuously Augmented Discrete Diffusion)は、連続的な潜在空間における対拡散で離散状態空間を拡大するフレームワークである。
  論文  参考訳（メタデータ） (2025-10-01T18:00:56Z)
• Interleaved Gibbs Diffusion: Generating Discrete-Continuous Data with Implicit Constraints [30.624303845550575]
  Interleaved Gibbs Diffusion (IGD)は、離散連続データのための新しい生成モデリングフレームワークである。 IGDは離散時間ギブスサンプリング型マルコフ連鎖を離散連続生成の場合に一般化する。 ドメイン固有の帰納バイアスに頼ることなく、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-02-19T05:51:24Z)
• Modiff: Action-Conditioned 3D Motion Generation with Denoising Diffusion Probabilistic Models [58.357180353368896]
  本稿では,現実的で多様な3D骨格に基づく運動生成問題に対処するために,拡散確率モデル(DDPM)の利点を生かした条件付きパラダイムを提案する。 我々はDDPMを用いてカテゴリ的動作で条件付けられた動作列の可変数を合成する先駆的な試みである。
  論文  参考訳（メタデータ） (2023-01-10T13:15:42Z)

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。