Fugu-MT 論文翻訳(概要): Boltzmann-Expected Molecular Design with Decoupled Annealing Flows

論文の概要: Boltzmann-Expected Molecular Design with Decoupled Annealing Flows

arxiv url: http://arxiv.org/abs/2607.19519v1
Date: Tue, 21 Jul 2026 19:08:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-23 18:51:37.908751
Title: Boltzmann-Expected Molecular Design with Decoupled Annealing Flows
Title（参考訳）: 分離アニーリング流を用いたボルツマン探索分子設計
Abstract要約: 既存の生成モデルは、それぞれの特性を単一の構造に結び付け、基礎となるアンサンブルを無視します。 3D分子設計を$textbfDECAF$として再キャストし、$textbfDECAF$で実現します。アンサンブルを意識した最適化により、平均ジャイレーション半径と溶媒可溶性表面積が常に目標に向かってシフトするグラフが生成されることを示す。
参考スコア（独自算出の注目度）: 2.3379315912198075
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Most 3D properties relevant to molecular design, including free energies and shape descriptors, are $\textit{expectations}$ over the Boltzmann distribution over 3D configurations of a molecular graph. However, existing property-guided generative models tie each property to a single structure, ignoring the underlying ensemble. We recast 3D molecular design as $\textbf{Boltzmann-expected design}$ and realise it with $\textbf{DECAF}$ (Decoupled Annealing Flows), which factorise the joint distribution over graphs and coordinates into two conditional flow models: a graph-conditioned flow $p(x\mid\mathcal{G})$, acting as a $\textit{Boltzmann emulator}$, and a coordinate-conditioned flow $p(\mathcal{G}\mid x)$, proposing new graphs from 3D information. By alternating the two flows, DECAF optimises molecular graphs with a simulated-annealing acceptance rule whose scoring function is evaluated on ensembles drawn from $p(x\mid\mathcal{G})$, making ensemble statistics, not single-conformer properties, the design target. The resulting loop requires no retraining to change objectives. On GEOM-Drugs, we show that ensemble-aware optimisation produces graphs whose mean radius of gyration and solvent-accessible surface area consistently shift toward targets, while single-conformer optimisation degrades on larger drug-like molecules where Boltzmann distributions are broadest. DECAF extends to multi-objective trade-offs and, uniquely among 3D generative models, to $\textbf{higher-moment design}$: jointly optimising an ensemble property's variance and skewness to produce flexible molecules biased to a prescribed conformational regime: we verify the conformational distributions of these higher-moment designs with all-atom MD simulations.
Abstract（参考訳）: 自由エネルギーや形状記述子を含む分子設計に関連するほとんどの3D特性は、分子グラフの3次元構成上のボルツマン分布上の$\textit{expectations}$である。しかし、既存のプロパティ誘導生成モデルは、各プロパティを単一の構造に結び付け、基礎となるアンサンブルを無視している。グラフ条件付きフロー $p(x\mid\mathcal{G})$, $\textit{Boltzmann emulator}$, and a coordinate-conditioned flow $p(\mathcal{G}\mid x)$, proposing new graphs from 3D information。 2つのフローを交互に行い、DECAFは分子グラフを、スコア関数が$p(x\mid\mathcal{G})$から引き出されたアンサンブルに基づいて評価されるシミュレート・アニーリング受容規則で最適化し、シングルコンフォーマーの性質ではなく、アンサンブル統計を作成する。結果のループは、目的を変更するために再トレーニングを必要としない。 GEOM-Drugsでは、アンサンブルを意識した最適化により、平均ジャイレーション半径と溶媒可溶性表面積が常に目標に向かって変化するグラフが生成され、一方、シングルコンフォーマー最適化はボルツマン分布が最も広い薬物様分子で分解されることを示す。 DECAFは多目的トレードオフに拡張され、3次元生成モデルの中で一意的に$\textbf{higher-moment design}$: アンサンブル特性の分散と歪を共同で最適化し、所定のコンフォメーション構造に偏ったフレキシブル分子を生成する。

関連論文リスト

Gromov-Monge Flow Matching for Equivariant Graph Generation [3.3603088054104284]
フローマッチングにおいて、対称性はソース-ターゲット結合に入る。余剰コストを伴わずに、余剰結合をアライメント代表に持ち上げることができることを示す。効率的なGromov--Wasserstein型緩和法を用いてミニバッチ結合を構築する。
論文参考訳（メタデータ） (2026-08-27T11:01:03Z)
Intrinsic Wasserstein Rates for Score-Based Generative Models on Smooth Manifolds [61.14405512940818]
Scoreベースの生成モデルは高次元空間で訓練されていることを示す。有限固有アンカーとガウス・ニュートンによる最も近い射影座標のReLU実装を用いる。
論文参考訳（メタデータ） (2026-05-15T10:20:05Z)
Inverse Design for Conditional Distribution Matching [0.0]
条件分布マッチング(CDM)は、生成モデルにおける新しい逆設計問題クラスである。 MLGD-F (Matching-Loss Guided Diffusion with a Fast inner sampler) は,事前学習したスコアベース拡散モデルと事前学習した高速条件付きサンプルモデルを組み合わせたプラグアンドプレイ推論時アルゴリズムである。 MLGD-Fは1ステップの条件付きサンプリングを利用することで、引き込み可能な勾配計算を可能にし、$mathcalP(Y mid X)$$をメモリ効率と計算量の両方に軽量にする。
論文参考訳（メタデータ） (2026-05-10T09:27:55Z)
Rethinking Diffusion Models with Symmetries through Canonicalization with Applications to Molecular Graph Generation [56.361076943802594]
CanonFlowは、挑戦的なGEOM-DRUGデータセット上で最先端のパフォーマンスを実現している。
論文参考訳（メタデータ） (2026-02-16T18:58:55Z)
Total Variation Rates for Riemannian Flow Matching [8.235086108564998]
RFMサンプリングのための漸近的トータル変分解析法を開発した。我々の重要な技術的要素は、2つの多様体ODEフロー間のTVの進化を管理する微分不等式である。
論文参考訳（メタデータ） (2026-02-05T01:06:53Z)
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)
E2Former: An Efficient and Equivariant Transformer with Linear-Scaling Tensor Products [30.856584261032207]
We introduced E2Former, an equivariant and efficient transformer architecture that with the Wigner 6,j$ convolution (Wigner 6,j$ Conv) 計算負荷をエッジからノードにシフトすることで、Wigner 6j$ Convは複雑さを$O(|mathcalE|)$から$O(| MathcalV|)$に縮める。この開発は、スケーラブルで効率的な分子モデリングのための有望な方向を示唆する可能性がある。
論文参考訳（メタデータ） (2025-01-31T15:22:58Z)
SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。 FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
論文参考訳（メタデータ） (2023-10-03T19:24:24Z)
Learning Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
論文参考訳（メタデータ） (2023-05-21T04:49:53Z)
EDGI: Equivariant Diffusion for Planning with Embodied Agents [17.931089055248062]
身体的エージェントは構造化された世界で動作し、しばしば空間的、時間的、置換的な対称性でタスクを解く。本稿では,モデルに基づく強化学習のためのアルゴリズムであるEquivariant diffuser for Generating Interactions (EDGI)を紹介する。 EDGI は非同変モデルよりもかなり効率的なサンプルであり、対称性群全体にわたってより一般化される。
論文参考訳（メタデータ） (2023-03-22T09:19:39Z)
NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文参考訳（メタデータ） (2021-06-17T12:25:44Z)
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。