Fugu-MT 論文翻訳(概要): Autoregressive latent diffusion for 3D molecule generation

論文の概要: Autoregressive latent diffusion for 3D molecule generation

arxiv url: http://arxiv.org/abs/2607.09277v1
Date: Fri, 10 Jul 2026 10:47:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-13 14:47:12.831685
Title: Autoregressive latent diffusion for 3D molecule generation
Title（参考訳）: 3次元分子生成のための自己回帰潜伏拡散
Abstract要約: KRONOSは、事前訓練された自己エンコーダの潜伏空間で分子を生成する潜伏自己回帰拡散フレームワークである。 QM9とGEOM-Drugsの実験は、KRONOSが自己回帰法で非条件生成性能をリードすることを示した。
参考スコア（独自算出の注目度）: 11.599617045790517
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Three-dimensional (3D) molecule generation has been dominated by diffusion models, which achieve strong generation quality but typically require the molecular size to be specified a priori. Recent autoregressive approaches have substantially narrowed the performance gap while naturally supporting variable-length generation and conditioning on partial molecular context. However, balancing unconditional and context-conditioned generation remains challenging. We introduce KRONOS, a latent autoregressive diffusion framework that generates molecules in the latent space of a pre-trained autoencoder, jointly modeling molecular graph topology and geometry, while retaining the flexibility of autoregressive generation. We further introduce a mixed training strategy inspired by Fill-in-the Middle (FIM) paradigm, enabling both unconditional and fragment-conditioned molecular generation within a single left-to-right autoregressive model. Experiments on QM9 and GEOM-Drugs demonstrate that KRONOS achieves leading unconditional generation performance among autoregressive methods, while remaining competitive with diffusion models. Moreover, fragment-conditioned generation is achieved with negligible impact on unconditional generation performance, demonstrating that both generation paradigms can be supported within a single architecture.
Abstract（参考訳）: 3次元(3D)分子生成は、強い生成品質を実現する拡散モデルによって支配されているが、通常、分子サイズを事前に指定する必要がある。最近の自己回帰的アプローチは、部分分子文脈での可変長生成と条件付けを自然にサポートしながら、性能ギャップを著しく狭めている。しかし、無条件および文脈条件の生成のバランスは依然として困難である。我々は,事前学習された自己エンコーダの潜伏空間の分子を生成する潜在自己回帰拡散フレームワークであるKRONOSを紹介し,自己回帰生成の柔軟性を維持しつつ,分子グラフトポロジーと幾何学を共同でモデル化する。さらに,Fill-in-the Middle(FIM)パラダイムにインスパイアされた混合トレーニング戦略を導入し,一方の左から右への自己回帰モデルにおいて,無条件およびフラグメント条件の分子生成を可能にする。 QM9 と GEOM-Drugs の実験では、KRONOS は拡散モデルと競合しながら、自己回帰法で先行した非条件生成性能を達成することを示した。さらに、フラグメント条件付き生成は、非条件生成性能に無視的な影響を伴い、両方の生成パラダイムを単一のアーキテクチャ内でサポートできることを実証する。

関連論文リスト

Interpolating Discrete Diffusion Models with Controllable Resampling [49.771004594828405]
仮面拡散モデルは初期解凍による不可逆誤差に悩まされる。自己補正が可能であるにもかかわらず、一様拡散モデルは、しばしば低品質のサンプルを生成する。本稿では,中間潜伏状態への依存を減らすことで拡散を改善する補間離散拡散モデルを提案する。
論文参考訳（メタデータ） (2026-04-19T07:55:57Z)
CAGenMol: Condition-Aware Diffusion Language Model for Goal-Directed Molecular Generation [14.125369423416275]
本稿では,分子配列上の状態認識型離散拡散フレームワークCAGenMolを提案する。離散拡散と強化学習を結合することにより、モデルは生成軌道を微分不可能な目的と整列させる。構造条件付き、プロパティ条件付き、デュアル条件付きベンチマークの実験は、一貫した改善を示している。
論文参考訳（メタデータ） (2026-04-13T13:49:23Z)
Equivariant Asynchronous Diffusion: An Adaptive Denoising Schedule for Accelerated Molecular Conformation Generation [11.728955527605747]
これらの制限を克服するために、Equivariant Asynchronous Diffusion (EAD)を導入します。 EADは、両方のアプローチの強みを組み合わせた、新しい拡散モデルである。そこで我々は動的スケジューリング機構を提案し,その時間ステップを適応的に決定する。
論文参考訳（メタデータ） (2026-03-10T16:05:39Z)
FlowMol3: Flow Matching for 3D De Novo Small-Molecule Generation [0.0]
FlowMol3はオープンソースのマルチモーダルフローマッチングモデルで、全原子、小分子生成のための最先端技術である。本研究は,拡散型および流動型分子生成モデルの安定性と品質を向上させるための,単純かつ伝達可能な戦略を強調した。
論文参考訳（メタデータ） (2025-08-18T05:13:27Z)
Constrained Discrete Diffusion [61.81569616239755]
本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。 CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
論文参考訳（メタデータ） (2025-03-12T19:48:12Z)
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)
Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文参考訳（メタデータ） (2024-10-28T17:25:56Z)
Geometric Representation Condition Improves Equivariant Molecule Generation [24.404588237915732]
我々は、幾何学的表現条件と証明可能な理論的保証を統合することにより、分子生成モデルを改善するための一般的な枠組みを導入する。生成過程を2つの段階に分解する。まず,情報的幾何学的表現を生成する。我々は、広く使われているQM9およびGEOM-DRUGデータセット上で、無条件分子生成の大幅な品質改善を観察した。
論文参考訳（メタデータ） (2024-10-04T17:57:35Z)
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)
AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
論文参考訳（メタデータ） (2024-04-02T14:44:02Z)
Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。