論文の概要: Property-Guided Molecular Generation and Optimization via Latent Flows
- arxiv url: http://arxiv.org/abs/2603.26889v1
- Date: Fri, 27 Mar 2026 18:09:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.679863
- Title: Property-Guided Molecular Generation and Optimization via Latent Flows
- Title（参考訳）: 特性誘導型分子生成と潜流による最適化
- Authors: Alexander Arjun Lobo, Urvi Awasthi, Leonid Zhukov,
- Abstract要約: MoltenFlowは、プロパティ組織化された潜在表現とフローマッチングの事前と勾配に基づくガイダンスを組み合わせたモジュラーフレームワークである。
導出潜水流は, 制御可能なトレードオフを有する固定オラクル予算の下で, 効率的な多目的分子最適化を可能にすることを示す。
- 参考スコア（独自算出の注目度）: 44.50339042016925
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Molecular discovery is increasingly framed as an inverse design problem: identifying molecular structures that satisfy desired property profiles under feasibility constraints. While recent generative models provide continuous latent representations of chemical space, targeted optimization within these representations often leads to degraded validity, loss of structural fidelity, or unstable behavior. We introduce MoltenFlow, a modular framework that combines property-organized latent representations with flow-matching generative priors and gradient-based guidance. This formulation supports both conditioned generation and local optimization within a single latent-space framework. We show that guided latent flows enable efficient multi-objective molecular optimization under fixed oracle budgets with controllable trade-offs, while a learned flow prior improves unconditional generation quality.
- Abstract（参考訳）: 分子発見は、実現可能性制約の下で望ましい特性プロファイルを満たす分子構造を同定する逆設計問題として、ますます枠組化されている。
最近の生成モデルは、化学空間の連続的な潜在的表現を提供するが、これらの表現における対象の最適化は、しばしば劣化した妥当性、構造的忠実性の喪失、不安定な振る舞いをもたらす。
プロパティ編成された潜在表現とフローマッチング生成前処理と勾配に基づくガイダンスを組み合わせたモジュラーフレームワークであるMoltenFlowを紹介した。
この定式化は、単一の潜在空間フレームワーク内で条件付き生成と局所最適化の両方をサポートする。
導出遅延流は、制御可能なトレードオフを伴う固定されたオラクル予算の下で効率的な多目的分子最適化を実現する一方、学習フローは非条件生成品質を向上させる。
関連論文リスト
- MolGuidance: Advanced Guidance Strategies for Conditional Molecular Generation with Flow Matching [6.649784863468093]
条件分子生成の主な目的は、化学的妥当性の確保、生成分子と目的特性の整合、発見のための効率的なサンプリングを可能にすることである。
コンピュータビジョンの最近の進歩は、生成モデルのための様々な新しいガイダンス戦略を導入した。
我々は,SE(3)-同変フローマッチングプロセス上に構築された先行分子生成フレームワークに最先端のガイダンス手法を統合する。
論文 参考訳（メタデータ） (2025-12-13T06:05:09Z) - TempFlow-GRPO: When Timing Matters for GRPO in Flow Models [22.023027865557637]
本稿では,フローベース生成に固有の時間構造を捕捉し,活用する,原理的なGRPOフレームワークを提案する。
新しい革新は、基礎となる生成力学を尊重する時間的に認識された最適化をモデルに与える。
論文 参考訳（メタデータ） (2025-08-06T11:10:39Z) - Efficient Fine-Tuning and Concept Suppression for Pruned Diffusion Models [93.76814568163353]
本稿では,2段階の拡散モデルに対する新しい最適化フレームワークを提案する。
このフレームワークは、微調整と未学習のプロセスを統一的なフェーズに統合する。
様々なプルーニングや概念未学習の手法と互換性がある。
論文 参考訳（メタデータ） (2024-12-19T19:13:18Z) - Improving Molecular Graph Generation with Flow Matching and Optimal Transport [8.2504828891983]
GGFlowは分子グラフの最適輸送を取り入れた離散フローマッチング生成モデルである。
エッジ拡張グラフ変換器を内蔵し、化学結合間の直接通信を可能にする。
GGFlowは無条件および条件付き分子生成タスクにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2024-11-08T16:27:27Z) - Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。
最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文 参考訳（メタデータ） (2024-07-01T06:10:29Z) - DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。
DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文 参考訳（メタデータ） (2024-03-07T02:53:40Z)
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。