論文の概要: Smoothing Dark Areas in Molecular Latent Diffusion

• arxiv url: http://arxiv.org/abs/2606.13955v1
• Date: Thu, 11 Jun 2026 22:33:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.670828
• Title: Smoothing Dark Areas in Molecular Latent Diffusion
• Title（参考訳）: 分子潜在拡散における暗黒領域の平滑化
• Abstract要約: TopVAEは、トポロジーに最適化されたVAEであり、デコーダが構造的および化学的制約を内部化することによって暗黒領域を減らす。 TopVAEは後部の堅牢性を大幅に改善し、標準のDiTと組み合わせると、QM9では77%$FCD-3D、GEOM-Drugsでは52%$FCD-3D、ゼロショットの足場塗装では1.29times$より安定で接続性のある分子となる。
• 参考スコア（独自算出の注目度）: 15.543975587807282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent diffusion is a promising framework for scalable 3D molecular generation, but it requires a latent space that remains smooth, valid, and navigable beyond posterior samples. Existing molecular VAEs, however, are typically learned through reconstruction-based objectives, which do not guarantee such a latent space. We show that this leads to dark areas: regions of latent space that are reachable during diffusion sampling but decode to disconnected or chemically invalid molecules. Unlike in image generation, molecular decoding requires strict structural and chemical precision, so even small latent perturbations can produce catastrophic failures. We therefore propose TopVAE, a topology-optimized VAE that reduces dark areas by making the decoder internalize structural and chemical constraints during training, eliminating the need for test-time chemical correction. TopVAE greatly improves off-posterior robustness, and when paired with a standard DiT, achieves $77\%$ lower FCD-3D on QM9, the highest V&C, $52\%$ lower FCD-3D on GEOM-Drugs, and $1.29{\times}$ more stable and connected molecules on zero-shot scaffold inpainting.
• Abstract（参考訳）: 潜伏拡散はスケーラブルな3次元分子生成のための有望なフレームワークであるが、後方サンプルを超えて滑らかで有効で航行可能な潜伏空間を必要とする。 しかし、既存の分子VAEは、通常、そのような潜伏空間を保証しない再構成に基づく目的を通じて学習される。 拡散サンプリング時に到達可能であるが、非結合あるいは化学的に無効な分子にデコードされる潜在空間の領域である。 画像生成とは異なり、分子デコーディングは厳密な構造と化学的精度を必要とするため、小さな潜伏摂動でさえ破滅的な失敗を引き起こす。 そこで我々は,デコーダをトレーニング中の構造的および化学的制約を内部化し,テスト時間化学補正の必要性をなくし,暗黒領域を低減するトポロジ最適化VAEであるTopVAEを提案する。 TopVAE は後部の堅牢性を大幅に改善し、標準の DiT と組み合わせると、QM9 の FCD-3D が 77 %、最高 V&C が 52 %、GEOM-Drugs の FCD-3D が 52 %、ゼロショットの足場で 1.29 {\times がより安定で接続された分子が 1.29 {\times となる。

関連論文リスト

• Do Language Models Dream of Binding Molecules? Benchmarking LLMs under Spatial Constraints [3.135855529710087]
  我々は,現在の汎用LLMが,確立されたベースラインと比較して複雑な3次元制約をナビゲートできるかどうかを評価する。 LLMの空間的能力には明らかなパターンがあり、最先端のアプローチに遅れを取っているものの、将来性があり、同時に複数の空間的制約を処理できる。
  論文  参考訳（メタデータ） (2026-07-20T16:43:54Z)
• PointDiT: Pixel-Space Diffusion for Monocular Geometry Estimation [105.86385617182879]
  最先端のシングルイメージの3D再構成手法は複雑なハイブリッドアーキテクチャと損失関数に依存していることが多い。 このようなアーキテクチャ上のオーバーヘッドと複雑な損失の定式化は不要であることを示す。 我々は,平易なViT上に構築された最小限の画素空間拡散変換器を導入し,生の3Dポイントマップパッチを直接操作する。
  論文  参考訳（メタデータ） (2026-07-02T17:59:56Z)
• Manipulating 3D Molecules in a Fixed-Dimensional E(3)-Equivariant Latent Space [28.37817038918011]
  本稿では,3次元分子の共有潜在空間をナビゲートすることで,フレキシブルなゼロショット分子操作法を提案する。 MolFLAEは、E(3)同変ニューラルネットワークを用いて3D分子を固定数の潜伏ノードに符号化する。 MolFLAEは、標準的な無条件の3D分子生成ベンチマーク上での競合性能を実現する。
  論文  参考訳（メタデータ） (2025-06-01T01:30:15Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• LMDM:Latent Molecular Diffusion Model For 3D Molecule Generation [6.720821935934759]
  本稿では,3次元分子を多様性に富み,リッチな幾何学的特徴を維持できる潜在分子拡散モデルを提案する。 このモデルは、原子間の力と局所的な制約の情報を取り込んで、生成した分子がユークリッド変換を維持する。 実験では, 生成した試料の品質とモデル収束速度を大幅に改善した。
  論文  参考訳（メタデータ） (2024-12-05T15:25:18Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• 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。