論文の概要: SinAE: A Single-Architecture Flow-Matching Autoencoder for Cross-Domain Atomic Systems

• arxiv url: http://arxiv.org/abs/2607.12380v1
• Date: Tue, 14 Jul 2026 05:53:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.046484
• Title: SinAE: A Single-Architecture Flow-Matching Autoencoder for Cross-Domain Atomic Systems
• Title（参考訳）: SinAE: クロスドメイン原子システムのための単一アーキテクチャフローマッチングオートエンコーダ
• Abstract要約: SinAEは分子、結晶、タンパク質のための単一構造フローマッチングオートエンコーダである。 SinAEはエンコーダに微粒な形状を捕捉させるのではなく、再構成の負担を反復的なフローマッチングデコーダにシフトさせる。
• 参考スコア（独自算出の注目度）: 27.186343240557715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small molecules, crystals, and proteins all reduce to atoms in 3D space, yet their generative pipelines remain fragmented across domains, each with its Small molecules, crystals, and proteins all reduce to atoms in 3D space, yet their generative pipelines remain fragmented across domains, each with its own graph, equivariant, or frame-based architecture. Cross-domain training would mitigate per-domain data scarcity, but direct generation in 3D coordinate space cannot easily handle the heterogeneous structural priors of all three domains, and no prior latent autoencoder is simultaneously lossless and architecturally general across all three. We introduce SinAE, a single-architecture flow-matching autoencoder for molecules, crystals, and proteins, with vanilla Transformer encoder and decoder and no equivariant, graph, or domain-specific operators. Rather than requiring the encoder to capture fine-grained geometry, SinAE shifts the reconstruction burden into an iterative flow-matching decoder, achieving near-lossless reconstruction across domains and reducing reconstruction errors by orders of magnitude relative to prior latent baselines. The same per-token latent supports a standard Diffusion Transformer prior that reaches strong performance on molecular, crystal, and protein generation benchmarks. Joint molecule--crystal training strictly improves both domains, providing direct evidence of cross-domain transfer through a shared atomic latent. Code is available at https://github.com/BlueWhaleLab/SinAE .
• Abstract（参考訳）: 小さな分子、結晶、タンパク質は全て3次元空間の原子に分解されるが、それらの生成パイプラインはドメイン間で断片化され、それぞれの小さな分子、結晶、タンパク質は3次元空間の原子に分解される。 ドメイン間のトレーニングはドメインごとのデータ不足を軽減するが、3次元座標空間の直接生成は3つのドメインの全ての不均一な構造的先行を容易に扱えない。 本稿では,分子,結晶,タンパク質の単一構造フローマッチングオートエンコーダであるSinAEと,バニラトランスフォーマーエンコーダおよびデコーダを導入し,同変,グラフ,ドメイン固有演算子を含まない。 SinAEは、エンコーダに微粒な形状をキャプチャする代わりに、再構成の負担を反復的なフローマッチングデコーダにシフトさせ、ドメイン間でのほとんどロスレスな再構築を実現し、事前の潜伏ベースラインに対する桁違いのリコンストラクションエラーを低減させる。 同じトークン単位の潜伏剤は、分子、結晶、タンパク質生成ベンチマークで強力なパフォーマンスに達する前に、標準の拡散変換器をサポートする。 合同分子-結晶トレーニングは両ドメインを厳密に改善し、共有原子潜伏剤を介してクロスドメインが転移する直接の証拠を提供する。 コードはhttps://github.com/BlueWhaleLab/SinAEで入手できる。

関連論文リスト

• Fixed-Dimensional Latent Flow for Generating Variable-Size 3D Molecules [28.11511793703245]
  可変サイズの分子を生成するために, 1つの固定次元分子レベルの潜在表現に完全に依存する2段階の生成フレームワークを導入する。 PCQM4Mv2では、EF-TALFMは、UAE-3Dの75.6%、FlowMolの69.8%に対して、ユニークなトレーニングセットの小説、パスサニタイズ、PoseBustersのサニティチェック(89.4%)を達成している。
  論文  参考訳（メタデータ） (2026-09-08T07:03:51Z)
• MeshLoom: Feed-Forward Non-Rigid Registration of Mesh Sequences [71.45325481648995]
  MeshLoomは、メッシュシーケンス間の変形を再構築するフィードフォワード登録ネットワークである。 以上の結果から,MeshLoomは非厳密な登録における最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2026-06-15T17:51:38Z)
• WorldParticle: Unified World Simulation of Lagrangian Particle Dynamics via Transformer [107.36949516442782]
  本研究では, 単一トランスアーキテクチャ上に構築された学習型粒子シミュレータを用いて, 布, 弾性体, ニュートン流体, ニュートン流体, 粒状物質, 分子動力学をモデル化する。
  論文  参考訳（メタデータ） (2026-05-14T18:18:12Z)
• OmniLiDAR: A Unified Diffusion Framework for Multi-Domain 3D LiDAR Generation [100.36917520403227]
  本稿では,8つの代表領域にまたがる共有範囲画像表現において,LiDARスキャンを生成する統一テキスト条件拡散フレームワークを提案する。 パブリックな統合ベンチマークがなければ、実世界のスキャンと物理ベース気象シミュレーションとシステマティックビームリダクションを組み合わせた8ドメインデータセットを構築する。
  論文  参考訳（メタデータ） (2026-05-13T17:42:20Z)
• ProteinAE: Protein Diffusion Autoencoders for Structure Encoding [64.77182442408254]
  本稿では,新規かつ合理化されたタンパク質拡散オートエンコーダであるProteinAEを紹介する。 プロテインAEは、タンパク質のバックボーン座標を直接E(3)から連続的でコンパクトな潜在空間にマッピングする。 本研究では,既存のオートエンコーダよりも優れた,最先端の再構築品質を実現することを実証する。
  論文  参考訳（メタデータ） (2025-10-12T14:30:32Z)
• Diffusion-Driven Domain Adaptation for Generating 3D Molecules [25.89095414975696]
  この研究はGADMと呼ばれる新規で原則化された拡散に基づくアプローチを示し、生成モデルを新しい領域にシフトさせることを可能にする。 これらの符号化されたドメインスーパーバイザにより、GADMは所望の新しいドメイン内で有効な分子を生成できることが示される。
  論文  参考訳（メタデータ） (2024-04-01T07:12:27Z)
• Differentiable VQ-VAE's for Robust White Matter Streamline Encodings [33.936125620525]
  オートエンコーダは、低次元ラテント空間における解析の合理性を簡素化する次元還元ツールとして提案されている。 本稿では,単一のデータポイントとしてストリームラインの全バンドルを取り込み,可変ベクトル量子化変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:59:43Z)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers [149.78470371525754]
  セマンティックセグメンテーションをシーケンスからシーケンスへの予測タスクとして扱う。 具体的には、イメージをパッチのシーケンスとしてエンコードするために純粋なトランスをデプロイします。 トランスのすべての層でモデル化されたグローバルコンテキストにより、このエンコーダは、SETR(SEgmentation TRansformer)と呼ばれる強力なセグメンテーションモデルを提供するための単純なデコーダと組み合わせることができる。 SETRはADE20K(50.28% mIoU)、Pascal Context(55.83% mIoU)、およびCityscapesの競争力のある結果に関する最新技術を達成している。
  論文  参考訳（メタデータ） (2020-12-31T18:55:57Z)

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。