論文の概要: Multigrid Training for Molecular Generation using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2606.22377v1
• Date: Sun, 21 Jun 2026 07:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 18:38:21.686287
• Title: Multigrid Training for Molecular Generation using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた分子生成のためのマルチグリッドトレーニング
• Authors: Zixuan Ling, Paula Mercurio, Di Liu,
• Abstract要約: より高解像度で学習を加速するためのマルチグリッドトレーニング戦略を導入する。 グラフ分子表現では、粗グラフから得られたパラメータをより微細なグラフの列に徐々に変換する。 3次元分子生成では、分子構造を複数の解像度で酸化し、粗大分解能条件付き変分オートエンコーダ(CVAE)を事前訓練し、微細分解能CVAEを初期化する。
• 参考スコア（独自算出の注目度）: 4.283853973668854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has demonstrated significant success for modeling biochemical molecular systems, where inputs are commonly represented as graphs or 3D grids. A major challenge is that computational cost scales with resolution, making full graph/grid computation of molecular densities expensive and often unstable. We introduce a multigrid training strategy that leverages low-resolution optimization to accelerate learning at higher resolution through parameter transfer across discretizations. For graph molecular representations, we progressively transfer parameters learned from a coarse graph to a sequence of increasingly finer graphs via biased random walk upsampling. For 3D molecular generation, we voxelize the molecular structures at multiple resolutions, pretrain a coarse-resolution conditional Variational Autoencoder (CVAE), and initialize a fine-resolution CVAE by transferring shape compatible convolutional parameters from the coarse model. Numerical experiments on receptor-conditioned 3D Ligand generation show that multigrid training accelerates convergence and improves generalization compared to training from scratch.
• Abstract（参考訳）: 深層学習は、入力が一般的にグラフまたは3Dグリッドとして表現される生化学分子系のモデリングにおいて大きな成功を収めた。 大きな課題は、計算コストが解像度でスケールし、分子密度の完全なグラフ/グリッド計算が高価であり、しばしば不安定になることである。 我々は,低分解能最適化を利用したマルチグリッド学習戦略を導入し,離散化のパラメータ移動による高分解能学習を高速化する。 グラフ分子表現では、粗いグラフから学習したパラメータを、バイアス付きランダムウォークアップサンプリングにより、より細かいグラフの列に徐々に転送する。 3次元分子生成では、分子構造を複数の解像度で酸化し、粗解条件付き変分オートエンコーダ(CVAE)を事前訓練し、粗解モデルから形状互換の畳み込みパラメータを転送することによって微細分解能CVAEを初期化する。 受容体条件の3Dリガンド生成に関する数値実験により、マルチグリッドトレーニングはスクラッチからのトレーニングに比べて収束を加速し、一般化を改善することが示された。

関連論文リスト

• Learning the Neighborhood: Contrast-Free Multimodal Self-Supervised Molecular Graph Pretraining [21.71848826907517]
  C-FREE(Contrast-Free Representation Learning on Ego-nets)は,2次元グラフと3次元コンバータのアンサンブルを統合するシンプルなフレームワークである。 C-FREEは、潜在空間内の相補的な近傍から部分グラフの埋め込みを予測することによって分子表現を学ぶ。 C-FREE State-of-the-art results on MoleculeNet。
  論文  参考訳（メタデータ） (2025-09-26T15:16:20Z)
• 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)
• Lift Your Molecules: Molecular Graph Generation in Latent Euclidean Space [46.11163798008912]
  3次元分子生成モデルを用いた新しい分子グラフ生成フレームワークを提案する。 分子グラフを合成コンホメータ座標によりユークリッド点雲にマッピングし,E(n)-等変グラフニューラルネットワーク(EGNN)を用いて逆写像を学習する。 誘導点雲構造潜在空間は既存の3次元分子生成モデルを適用するのに適している。
  論文  参考訳（メタデータ） (2024-06-15T05:29:07Z)
• BindGPT: A Scalable Framework for 3D Molecular Design via Language Modeling and Reinforcement Learning [11.862370962277938]
  本稿では,タンパク質結合部位内で3D分子を生成するために,概念的にシンプルだが強力なアプローチを用いた新規な生成モデルBindGPTを提案する。 このような単純な概念的アプローチと事前学習とスケーリングが組み合わさって、現在の最高の特殊拡散モデルよりも同等以上の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2024-06-06T02:10:50Z)
• RGCVAE: Relational Graph Conditioned Variational Autoencoder for Molecule Design [70.59828655929194]
  ディープグラフ変分自動エンコーダは、この問題に対処可能な、最も強力な機械学習ツールの1つである。 i)新しい強力なグラフ同型ネットワークを利用した符号化ネットワーク,(ii)新しい確率的復号化コンポーネントを提案する。
  論文  参考訳（メタデータ） (2023-05-19T14:23:48Z)
• Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [3.8366697175402225]
  3次元分子生成のための幾何-完全拡散モデル(GCDM)を導入する。 GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。 また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を一貫して最適化するために再利用可能であることも示している。
  論文  参考訳（メタデータ） (2023-02-08T20:01:51Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。