論文の概要: VQ-SAD: Vector Quantized Structure Aware Diffusion For Molecule Generation

• arxiv url: http://arxiv.org/abs/2605.00354v1
• Date: Fri, 01 May 2026 02:32:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.82499
• Title: VQ-SAD: Vector Quantized Structure Aware Diffusion For Molecule Generation
• Title（参考訳）: VQ-SAD:分子生成のための拡散を考慮したベクトル量子化構造
• Abstract要約: VQ-SADは、学習可能な前方プロセスを持つ拡散モデルにおいて、シンボル情報と神経構造情報の両方を利用するニューロシンボリックモデルである。 VQ-VAEは、QM9とZINC250kデータセットに基づいて拡散に基づく分子生成のためのSOTAモデルよりわずかに優れている。
• 参考スコア（独自算出の注目度）: 6.696166558706053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many diffusion based molecule generation methods ignore the symbolic information of molecules and represent the atom and bond type as one hot representation. Methods based on Morgan fingerprints produce hash collisions and are hard to embed into a continuous space without information loss and random fingerprints correspond to no valid molecule. To circumvent this issue we use another paradigm and consider atom and bond codes as latent variables of VQ-VAE. We introduce VQ-SAD which first trains a VQ-VAE and uses the frozen pretrained VQ-VAE model and considers the codebooks for both atom and bond types as tokenizers for the downstream diffusion process. VQ-SAD is a neuro-symbolic model that utilizes both symbolic and neural structural information for a diffusion based model with learnable forward process. The large discrete code space provides a more balanced atom and bond types which enhances the denoising process. VQ-VAE slightly outperforms SOTA models for diffusion based molecule generation on QM9 and ZINC250k datasets.
• Abstract（参考訳）: 多くの拡散に基づく分子生成法は、分子の象徴的な情報を無視し、原子と結合のタイプを1つの熱い表現として表している。 モーガン指紋に基づく手法は、ハッシュ衝突を発生させ、情報損失やランダムな指紋が有効な分子と一致しない連続空間に埋め込むのが困難である。 この問題を回避するために、別のパラダイムを使用し、原子と結合符号をVQ-VAEの潜伏変数とみなす。 本稿では,まずVQ-VAEを訓練し,凍結事前訓練したVQ-VAEモデルを用いて,原子および結合型のコードブックを下流拡散過程のトークン化剤として検討する。 VQ-SADは、学習可能な前方プロセスを持つ拡散モデルにおいて、シンボル情報と神経構造情報の両方を利用するニューロシンボリックモデルである。 大きな離散コード空間は、よりバランスのとれた原子と結合の型を提供し、デノナイジングプロセスを強化します。 VQ-VAEは、QM9とZINC250kデータセットに基づいて拡散に基づく分子生成のためのSOTAモデルよりわずかに優れている。

関連論文リスト

• Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models [50.77646970127369]
  本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。 高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
  論文  参考訳（メタデータ） (2025-06-20T16:38:29Z)
• 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)
• Exploring Molecule Generation Using Latent Space Graph Diffusion [0.0]
  分子グラフの生成は、その離散的な性質と競合する目的のために難しい課題である。 分子グラフの場合、拡散バックボーンとしてのグラフニューラルネットワーク(GNN)は印象的な結果を得た。 自己エンコーダを介して低次元空間に拡散する潜在空間拡散は計算効率を実証している。
  論文  参考訳（メタデータ） (2025-01-07T10:54:44Z)
• 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)
• MING: A Functional Approach to Learning Molecular Generative Models [46.189683355768736]
  本稿では,関数表現に基づく分子生成モデル学習のための新しいパラダイムを提案する。 本稿では,関数空間における分子分布を学習する拡散モデルである分子インプリシットニューラルジェネレーション(MING)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T13:02:02Z)
• 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)
• SubGDiff: A Subgraph Diffusion Model to Improve Molecular Representation Learning [14.338345772161102]
  本稿では,分子サブグラフ情報を拡散に用いた新しい拡散モデルSubGDiffを提案する。 SubGDiffは、サブグラフ予測、期待状態、kステップの同じサブグラフ拡散という3つの重要な技術を採用している。 実験的に、広範囲な下流タスクは、我々のアプローチの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-09T10:37:33Z)
• Graph Diffusion Transformers for Multi-Conditional Molecular Generation [16.58392955245203]
  多条件分子生成のためのグラフ拡散変換器(Graph DiT)を提案する。 Graph DiTはエンコーダを統合し、数値的および分類的プロパティ表現とTransformerベースのデノイザを学習する。 その結果、分布学習から分子特性の条件制御まで、9つの指標にまたがるグラフDiTの優位性が示された。
  論文  参考訳（メタデータ） (2024-01-24T23:45:31Z)
• Learning Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
  本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。 我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
  論文  参考訳（メタデータ） (2023-05-21T04:49:53Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design [82.23006955069229]
  分子リンカ設計のためのE(3)等価な3次元拡散モデルDiffLinkerを提案する。 我々のモデルは、欠落した原子を中間に配置し、初期フラグメントを全て組み込んだ分子を設計する。 DiffLinkerは、より多種多様な合成可能な分子を生成する標準データセット上で、他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T09:13:37Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)

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。