論文の概要: Controllable Molecular Generative Foundation Models

• arxiv url: http://arxiv.org/abs/2605.15354v1
• Date: Thu, 14 May 2026 19:27:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.071123
• Title: Controllable Molecular Generative Foundation Models
• Title（参考訳）: 制御可能な分子生成基礎モデル
• Authors: Yihan Zhu, Yuhan Liu, Weijiang Li, Tengfei Luo, Meng Jiang,
• Abstract要約: 我々は textbfControllable textbfMolecular Generative Foundation Models (CoMole) を提案する。 モチーフ対応グラフ空間を学習することにより、CoMoleは事前学習された構造的事前を制御可能な生成に転送する。 我々は、CoMoleが9つの目標に対して第一に制御性にランク付けし、最強のベースラインに対して最大48.2%のMAEを減少させ、ルールベースの補正やポストホックフィルタリングなしで0.94以上の妥当性を維持していることを示す。
• 参考スコア（独自算出の注目度）: 36.63304478618632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the success of foundation models in language and vision, molecular graph generation still lacks a unified framework for heterogeneous design tasks with reliable controllability. While reinforcement learning (RL) offers a natural post-training mechanism for task-specific optimization, applying it to graph generative models is hindered by the vast atom-wise action spaces and chemically invalid intermediate states. We propose \textbf{Co}ntrollable \textbf{Mole}cular Generative Foundation Models (CoMole), built with a unified motif-aware graph diffusion pipeline. By learning a motif-aware graph space, CoMole transfers pretrained structural priors into controllable generation, where RL optimizes conditional reverse policies over chemically meaningful decisions. We theoretically characterize the bottleneck of atom-level RL and justify motif-aware policy optimization. Across three heterogeneous benchmarks spanning materials and drug discovery, CoMole ranks first in controllability on all nine targets, reduces MAE by up to 48.2% relative to the strongest baselines, and maintains validity above 0.94 without rule-based correction or post-hoc filtering. We further show that CoMole transfers controllability to unseen properties by optimizing only task embeddings with the generator frozen, achieving performance competitive with strong task-specific baselines.
• Abstract（参考訳）: 言語と視覚における基礎モデルの成功にもかかわらず、分子グラフ生成は信頼性の高い制御性を持つ異種設計タスクのための統一されたフレームワークを欠いている。 強化学習(RL)はタスク固有の最適化のための自然な後学習メカニズムを提供するが、それをグラフ生成モデルに適用することは、膨大な原子の作用空間と化学的に無効な中間状態によって妨げられる。 本稿では,モチーフを意識したグラフ拡散パイプラインを統合化して構築した, {textbf{Co}ntrollable \textbf{Mole}cular Generative Foundation Models (CoMole)を提案する。 モチーフを意識したグラフ空間を学習することで、CoMoleは事前学習された構造的先行を制御可能な生成に移行し、RLは化学的な決定よりも条件付き逆ポリシーを最適化する。 我々は,原子レベルRLのボトルネックを理論的に特徴づけ,モチーフ・アウェア・ポリシーの最適化を正当化する。 物質と薬物の発見にまたがる3つの不均一なベンチマークの中で、CoMoleは9つの目標に対して第一に制御性にランク付けし、最強のベースラインに対して最大48.2%までMAEを減少させ、ルールベースの修正やポストホックフィルタリングなしで0.94以上の有効性を維持する。 さらに,CoMole の制御性は,ジェネレータを凍結したタスク埋め込みのみを最適化し,強力なタスク固有のベースラインと競合する性能を実現することで,未確認プロパティに制御性を持たせることを示す。

関連論文リスト

• C-MORAL: Controllable Multi-Objective Molecular Optimization with Reinforcement Alignment for LLMs [16.006924868560795]
  C-Moralは、制御可能な多目的分子最適化のための強化学習フレームワークである。 C-MuMOInstructベンチマークの実験は、C-Moralが常に最先端のモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2026-04-24T23:11:44Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• 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。