論文の概要: PI-Mamba: Linear-Time Protein Backbone Generation via Spectrally Initialized Flow Matching

• arxiv url: http://arxiv.org/abs/2603.26705v1
• Date: Tue, 17 Mar 2026 16:34:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.093236
• Title: PI-Mamba: Linear-Time Protein Backbone Generation via Spectrally Initialized Flow Matching
• Title（参考訳）: PI-Mamba: スペクトル初期化フローマッチングによるリニア時間タンパク質バックボーン生成
• Authors: Tianyu Wu, Lin Zhu,
• Abstract要約: 構成により正確な局所同値な幾何を強制する生成モデルである物理インフォームド・マンバについて述べる。 ベンチマークタスク全体では、PI-Mambaは0.0%の局所幾何学違反と高い設計性を達成する。
• 参考スコア（独自算出の注目度）: 11.00711274968642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motivation: Generative models for protein backbone design have to simultaneously ensure geometric validity, sampling efficiency, and scalability to long sequences. However, most existing approaches rely on iterative refinement, quadratic attention mechanisms, or post-hoc geometry correction, leading to a persistent trade-off between computational efficiency and structural fidelity. Results: We present Physics-Informed Mamba (PI-Mamba), a generative model that enforces exact local covalent geometry by construction while enabling linear-time inference. PI-Mamba integrates a differentiable constraint-enforcement operator into a flow-matching framework and couples it with a Mamba-based state-space architecture. To improve optimisation stability and backbone realism, we introduce a spectral initialization derived from the Rouse polymer model and an auxiliary cis-proline awareness head. Across benchmark tasks, PI-Mamba achieves 0.0\% local geometry violations and high designability (scTM = $0.91\pm 0.03$, n = 100), while scaling to proteins exceeding 2,000 residues on a single A5000 GPU (24 GB).
• Abstract（参考訳）: モチベーション: タンパク質のバックボーン設計のための生成モデルは、幾何的妥当性、サンプリング効率、長期配列への拡張性を同時に確保する必要がある。 しかし、既存のほとんどのアプローチは反復的洗練、二次的注意機構、あるいはポストホック幾何補正に依存しており、計算効率と構造的忠実性の間に恒久的なトレードオフをもたらす。 結果: 線形時間推論を可能とし, 正確な局所同値な幾何を構築により強制する生成モデルであるPhysical-Informed Mamba(PI-Mamba)を提案する。 PI-Mambaは、可変制約強化演算子をフローマッチングフレームワークに統合し、Mambaベースのステートスペースアーキテクチャと結合する。 最適化安定性とバックボーンリアリズムを改善するために,Rouseポリマーモデルと補助的なシスプロリン認識ヘッドを用いたスペクトル初期化を導入する。 ベンチマークタスク全体では、PI-Mambaは0.0\%の局所幾何学違反と高い設計可能性(scTM = $0.91\pm 0.03$, n = 100)を達成する一方、1つのA5000 GPU(24GB)で2000残基を超えるタンパク質にスケーリングする。

関連論文リスト

• LuMamba: Latent Unified Mamba for Electrode Topology-Invariant and Efficient EEG Modeling [14.663411219312827]
  textbfLuMamba(textbfLatent textbfUnified textbfMamba)を提案する。 わずか4.6Mのパラメータで、ルマンバはTUABで80.99%の精度を達成し、アルツハイマーの検出で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2026-03-19T16:26:11Z)
• Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
  我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。 フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。 フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
  論文  参考訳（メタデータ） (2026-03-02T21:32:30Z)
• MEGA-PCC: A Mamba-based Efficient Approach for Joint Geometry and Attribute Point Cloud Compression [9.422873276112067]
  MEGA-PCCは、完全エンドツーエンドの学習ベースのフレームワークで、ジョイント圧縮のための2つの特別なモデルを備えている。 従来のベースラインと学習ベースのベースラインの両方と比較して、速度歪み性能と実行効率が優れている。
  論文  参考訳（メタデータ） (2025-12-27T04:43:36Z)
• Multiscale Aggregated Hierarchical Attention (MAHA): A Game Theoretic and Optimization Driven Approach to Efficient Contextual Modeling in Large Language Models [0.0]
  マルチスケール集約階層的注意(MAHA)は、階層的分解と数学的に厳密な集約を通じて注意機構を再構築する新しいアーキテクチャフレームワークである。 MAHAは、入力シーケンスを学習可能なダウンサンプリング演算子を介して階層スケールに動的に分割する。 実験的なFLOP解析により,4096のシークエンス長で計算コストが81%削減されたことが確認された。
  論文  参考訳（メタデータ） (2025-12-16T21:27:21Z)
• MathBode: Understanding LLM Reasoning with Dynamical Systems [0.0]
  大規模言語モデル(LLM)における数学的推論のための動的診断法であるMathBodeを提案する。 一つのパラメータを正弦波に駆動し、モデル出力と正確な解の第一高調波応答に適合する。 5つのクローズドフォームファミリにまたがって、診断面は系統的な低域通過挙動と位相ラグを呈し、精度のみを曖昧にしている。
  論文  参考訳（メタデータ） (2025-09-27T06:06:36Z)
• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
  最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。 以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-21T09:12:59Z)
• PointMamba: A Simple State Space Model for Point Cloud Analysis [65.59944745840866]
  我々は、最近の代表的状態空間モデル(SSM)であるMambaの成功を、NLPからポイントクラウド分析タスクへ転送するPointMambaを提案する。 従来のトランスフォーマーとは異なり、PointMambaは線形複雑性アルゴリズムを採用し、グローバルなモデリング能力を示しながら計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-16T14:56:13Z)
• Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
  視覚SLAMシステムのための新しい最適化バックボーンを提案する。 従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。 我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
  論文  参考訳（メタデータ） (2020-11-02T18:02:26Z)

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。