論文の概要: MolHIT: Advancing Molecular-Graph Generation with Hierarchical Discrete Diffusion Models

• arxiv url: http://arxiv.org/abs/2602.17602v1
• Date: Thu, 19 Feb 2026 18:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:29.305193
• Title: MolHIT: Advancing Molecular-Graph Generation with Hierarchical Discrete Diffusion Models
• Title（参考訳）: MolHIT:階層型離散拡散モデルによる分子グラフ生成の促進
• Authors: Hojung Jung, Rodrigo Hormazabal, Jaehyeong Jo, Youngrok Park, Kyunggeun Roh, Se-Young Yun, Sehui Han, Dae-Woong Jeong,
• Abstract要約: 既存の手法の長期的性能制限を克服する強力な分子グラフ生成フレームワークであるMolHITを紹介する。 MolHIT は MOSES データセット上で,グラフ拡散において,ほぼ完全に近い精度で新たな最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 37.89307688620534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular generation with diffusion models has emerged as a promising direction for AI-driven drug discovery and materials science. While graph diffusion models have been widely adopted due to the discrete nature of 2D molecular graphs, existing models suffer from low chemical validity and struggle to meet the desired properties compared to 1D modeling. In this work, we introduce MolHIT, a powerful molecular graph generation framework that overcomes long-standing performance limitations in existing methods. MolHIT is based on the Hierarchical Discrete Diffusion Model, which generalizes discrete diffusion to additional categories that encode chemical priors, and decoupled atom encoding that splits the atom types according to their chemical roles. Overall, MolHIT achieves new state-of-the-art performance on the MOSES dataset with near-perfect validity for the first time in graph diffusion, surpassing strong 1D baselines across multiple metrics. We further demonstrate strong performance in downstream tasks, including multi-property guided generation and scaffold extension.
• Abstract（参考訳）: 拡散モデルを用いた分子生成は、AIによる薬物発見と材料科学にとって有望な方向として現れてきた。 グラフ拡散モデルは2次元分子グラフの離散的な性質から広く採用されているが、既存のモデルは1次元モデリングと比較して化学的妥当性が低く、望ましい性質を満たすのに苦慮している。 本稿では,既存の手法における長期的性能制限を克服する強力な分子グラフ生成フレームワークであるMolHITを紹介する。 MolHITはヒエラルキ的離散拡散モデルに基づいており、これは化学的プリエントをコードする追加のカテゴリへの離散拡散を一般化し、それらの化学的な役割に応じて原子タイプを分割する分離された原子コードである。 MolHITは、グラフ拡散において初めてほぼ完全な妥当性を持つMOSESデータセット上で、新しい最先端のパフォーマンスを達成し、複数のメトリクスにわたって強力な1Dベースラインを超えた。 さらに,マルチプロパティ誘導生成や足場拡張など,下流タスクの強い性能を示す。

関連論文リスト

• Graph Diffusion that can Insert and Delete [18.092760343244898]
  離散 Denoising Diffusion Probabilistic Models (DDPM) に基づくグラフの生成モデルは、分子生成に対する原則的なアプローチを提供する。 本稿では,ノードの単調な挿入と削除をサポートするため,ノイズ発生処理とノイズ発生処理を再構成する。 GrIDDDと呼ばれる結果のモデルは、生成中に化学グラフを動的に成長または縮小します。
  論文  参考訳（メタデータ） (2025-06-06T19:45:45Z)
• 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)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• MolHF: A Hierarchical Normalizing Flow for Molecular Graph Generation [4.517805235253331]
  MolHFは分子グラフを粗い方法で生成する新しい階層型フローベースモデルである。 MolHFは100以上の重原子を持つより大きな分子(ポリマー)をモデル化するための最初のフローベースモデルである。
  論文  参考訳（メタデータ） (2023-05-15T08:59:35Z)

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。