論文の概要: Generating Physically Consistent Molecules with Energy-Based Models

• arxiv url: http://arxiv.org/abs/2605.18381v1
• Date: Mon, 18 May 2026 13:26:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.631264
• Title: Generating Physically Consistent Molecules with Energy-Based Models
• Title（参考訳）: エネルギーモデルを用いた物理的に安定な分子の生成
• Authors: Christoph Griesbacher, Lea Bogensperger, Andreas Habring, Thomas Pock,
• Abstract要約: 原子付加スカラー電位を明示的シミュレーションなしで学習することにより誘導バイアスを復元するエネルギーベースモデルであるEMMolを導入する。 EBMolは、QM9とGEOM-Drugsの最先端性能を達成した最初の3D分子生成用ESMである。
• 参考スコア（独自算出の注目度）: 6.4105959373235875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecules in equilibrium follow a Boltzmann distribution, making the underlying energy landscape a physically grounded modeling objective. However, such landscapes are difficult to learn from data and, once learned, hard to sample from. Diffusion and flow-matching models sidestep these difficulties by learning a time-conditional score or transport field between noise and data, losing the energy inductive bias in exchange for a more tractable training objective. We introduce EBMol, an energy-based model (EBM) that restores this inductive bias by learning an atom-additive scalar potential without explicit simulation during training. Our method employs a flow-inspired Restoring Field Matching objective to approximate the energy landscape. We adopt the Mirror-Langevin algorithm for sampling, enabling unified updates of atomic positions and types, and incorporate parallel tempering for inference-time compute scaling. EBMol is the first EBM for 3D molecular generation to achieve state-of-the-art performance on QM9 and GEOM-Drugs. Moreover, we show that the learned energy landscape serves as a principled quality metric for ranking and filtering configurations, and demonstrate controllable generation without retraining through shape-steered sampling via potential composition and zero-shot linker design.
• Abstract（参考訳）: 平衡の分子はボルツマン分布に従い、基礎となるエネルギー景観を物理的に基底としたモデリング対象とする。 しかし、このような風景はデータから学ぶことは困難であり、一度学ぶとサンプルから学ぶことは困難である。 拡散と流れマッチングモデルは、時間条件のスコアやノイズとデータ間の移動場を学習することでこれらの困難を回避し、よりトラクタブルなトレーニング目標と引き換えにエネルギー誘導バイアスを失う。 EBMolは,原子付加スカラー電位をトレーニング中に明示的なシミュレーションなしで学習することで,この誘導バイアスを復元するエネルギーベースモデルである。 本手法では, エネルギー景観を近似するために, フローインスパイアされた復元フィールドマッチングの目的を用いる。 我々は、サンプリングにMirror-Langevinアルゴリズムを採用し、原子位置と型を統一的に更新し、並列テンパリングを推論時計算スケーリングに組み込む。 EBMolは、QM9とGEOM-Drugsの最先端性能を達成した最初の3D分子生成用ESMである。 さらに,学習エネルギーのランドスケープは,構成のランク付けとフィルタリングの原則的品質指標として機能し,電位組成とゼロショットリンカー設計による形状制御サンプリングを経由せずに,制御可能な生成を示す。

関連論文リスト

• Equilibrium Matching: Generative Modeling with Implicit Energy-Based Models [52.74448905289362]
  EqMは、平衡力学の観点から構築された生成モデリングフレームワークである。 時間条件の速度を統一された平衡景観に置き換えることで、EqMは流れとエネルギーベースのモデルの間により緊密な橋渡しを提供する。
  論文  参考訳（メタデータ） (2025-10-02T17:59:06Z)
• 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)
• Energy Matching: Unifying Flow Matching and Energy-Based Models for Generative Modeling [5.787270247104665]
  現在の最先端生成モデルは、フローやスコアの一致によって、ノイズをデータ分布にマッピングする。 本稿では,ESMの柔軟性を備えたフローベースアプローチを実現するフレームワークであるEnergy Matchingを提案する。
  論文  参考訳（メタデータ） (2025-04-14T18:10:58Z)
• Variational Potential Flow: A Novel Probabilistic Framework for Energy-Based Generative Modelling [10.926841288976684]
  エネルギーをベースとした新しい生成フレームワークVAPOについて述べる。 VAPOは、勾配(流れ)が前のサンプルを導くポテンシャルエネルギー関数を学習することを目的としており、その密度の進化は近似的なデータ準同相性に従う。 イメージはポテンシャルエネルギーをトレーニングした後、ガウスのサンプルを初期化し、固定時間間隔で電位フローを管理するODEを解くことで生成することができる。
  論文  参考訳（メタデータ） (2024-07-21T18:08:12Z)
• Particle Dynamics for Learning EBMs [83.59335980576637]
  エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。 コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。 本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T23:41:07Z)
• No MCMC for me: Amortized sampling for fast and stable training of energy-based models [62.1234885852552]
  エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。 本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。 次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
  論文  参考訳（メタデータ） (2020-10-08T19:17:20Z)

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。