論文の概要: Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials

• arxiv url: http://arxiv.org/abs/2602.22251v1
• Date: Tue, 24 Feb 2026 20:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.327738
• Title: Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials
• Title（参考訳）: Zatom-1:3次元分子・材料のための多モードフロー基礎モデル
• Authors: Alex Morehead, Miruna Cretu, Antonia Panescu, Rishabh Anand, Maurice Weiler, Tynan Perez, Samuel Blau, Steven Farrell, Wahid Bhimji, Anubhav Jain, Hrushikesh Sahasrabuddhe, Pietro Lio, Tommi Jaakkola, Rafael Gomez-Bombarelli, Rex Ying, N. Benjamin Erichson, Michael W. Mahoney,
• Abstract要約: Zatom-1は3次元分子や物質の生成的および予測的学習を統一する最初の基礎モデルである。 Zatom-1は、個別の原子タイプと連続した3次元幾何学を共同でモデル化するマルチモーダルフローマッチングの目的で訓練されたトランスフォーマーである。
• 参考スコア（独自算出の注目度）: 51.342983349686556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General-purpose 3D chemical modeling encompasses molecules and materials, requiring both generative and predictive capabilities. However, most existing AI approaches are optimized for a single domain (molecules or materials) and a single task (generation or prediction), which limits representation sharing and transfer. We introduce Zatom-1, the first foundation model that unifies generative and predictive learning of 3D molecules and materials. Zatom-1 is a Transformer trained with a multimodal flow matching objective that jointly models discrete atom types and continuous 3D geometries. This approach supports scalable pretraining with predictable gains as model capacity increases, while enabling fast and stable sampling. We use joint generative pretraining as a universal initialization for downstream multi-task prediction of properties, energies, and forces. Empirically, Zatom-1 matches or outperforms specialized baselines on both generative and predictive benchmarks, while reducing the generative inference time by more than an order of magnitude. Our experiments demonstrate positive predictive transfer between chemical domains from joint generative pretraining: modeling materials during pretraining improves molecular property prediction accuracy.
• Abstract（参考訳）: 汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 しかし、既存のAIアプローチのほとんどは、表現の共有と転送を制限する単一のドメイン(分子または材料)と単一のタスク(生成または予測)に最適化されている。 Zatom-1は3次元分子や物質の生成的および予測的学習を統一する最初の基礎モデルである。 Zatom-1は、個別の原子タイプと連続した3次元幾何学を共同でモデル化するマルチモーダルフローマッチングの目的で訓練されたトランスフォーマーである。 このアプローチは、モデルキャパシティの増加に伴い、予測可能なゲインでスケーラブルな事前トレーニングをサポートし、高速で安定したサンプリングを可能にする。 我々は, 共同生成前訓練を, 特性, エネルギー, 力の下流マルチタスク予測の普遍的初期化として利用する。 経験的に、Zatom-1は生成的および予測的ベンチマークの両方で特別なベースラインと一致または性能を向上し、生成的推論時間を1桁以上短縮する。 本実験は, 化学ドメイン間における前駆体生成前駆体からの化学ドメイン間の正の伝達を実証し, 予鍛体形成過程における物質モデリングにより分子特性予測精度が向上することを示した。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• 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)
• All-atom Diffusion Transformers: Unified generative modelling of molecules and materials [11.180029648567658]
  All-atom Diffusion Transformer (ADiT) は、周期的材料と非周期的分子システムの両方を共同生成するための統合潜在拡散フレームワークである。 ADiTは物質と同様に現実的で有効な分子を生成し、分子や結晶特異モデルと同等の最先端の結果を得る。
  論文  参考訳（メタデータ） (2025-03-05T23:35:44Z)
• 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)
• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,初期個体群上の流れモデルを改善することで,ワッサーシュタイン多様体上のこれらのベクトル場と一体化するためのメタフローマッチング(MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• 3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction [9.67574543046801]
  標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。 上記の課題を解決するために,3次元同変拡散モデルを開発した。 我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
  論文  参考訳（メタデータ） (2023-03-06T23:01:43Z)
• A Score-based Geometric Model for Molecular Dynamics Simulations [33.158796937777886]
  分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。 複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。 この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2022-04-19T05:13:46Z)

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。