論文の概要: SE(3)-MeanFlow: Few-Step Protein Backbone Generation on Lie Groups

• arxiv url: http://arxiv.org/abs/2607.27431v2
• Date: Fri, 31 Jul 2026 06:49:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.311749
• Title: SE(3)-MeanFlow: Few-Step Protein Backbone Generation on Lie Groups
• Title（参考訳）: SE(3)-Mean Flow:Lie基上のFew-Stepタンパク質のバックボーン生成
• Abstract要約: ユークリッド空間からタンパク質フレームのリー群幾何へ拡張する数ステップの生成フレームワークであるSE(3)-MeanFlowを紹介する。 回転や翻訳のためのクローズドフォームな平均速度IDを導出し、シミュレーションなしのトレーニングターゲットを与える。
• 参考スコア（独自算出の注目度）: 33.76281571675535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative modeling of protein backbones promises the de novo design of proteins with prescribed structural and functional properties. Existing diffusion and flow-matching models produce high-quality backbones on SE(3)^N, but inference requires numerically integrating an ODE over hundreds of network evaluations, each involving a Lie group exponential map - a bottleneck for high-throughput design campaigns. We introduce SE(3)-MeanFlow, a few-step generative framework that extends MeanFlow from Euclidean space to the Lie group geometry of protein frames. Working natively in the Lie algebra so(3) and in R^3, we derive closed-form average-velocity identities for rotations and translations, giving simulation-free training targets. We further introduce an SE(3) alpha-Flow objective that removes the Jacobian-vector product from the rotation branch and serves as a warm-up stage, after which training switches to a small-t stabilized MeanFlow loss that is used for the remainder of pretraining and for rectification-based post-training. In protein backbone generation, SE(3)-MeanFlow matches or exceeds flow-matching baselines that use several times more sampling steps, and its advantage widens in the few-step regime, where rectification lets it lead at every matched budget - at a modest cost in diversity.
• Abstract（参考訳）: タンパク質のバックボーンの生成モデリングは、所定の構造的および機能的性質を持つタンパク質のde novo設計を約束する。 既存の拡散モデルとフローマッチングモデルはSE(3)^N上で高品質なバックボーンを生成するが、推論には数百以上のネットワーク評価を数値的に統合する必要がある。 ユークリッド空間からタンパク質フレームのリー群幾何へ拡張する数ステップの生成フレームワークであるSE(3)-MeanFlowを紹介する。 リー代数 so(3) と R^3 でネイティブに作用し、回転や変換に対する閉形式の平均速度恒等式を導出し、シミュレーションなしの訓練目標を与える。 さらに, 回転枝からヤコビ-ベクター積を除去し, 温暖化段階として機能するSE(3)α-フロー目標を導入する。 タンパク質のバックボーン生成では、SE(3)-MeanFlowは、数倍のサンプリングステップを使用するフローマッチングベースラインにマッチするか、あるいは超過します。

関連論文リスト

• GraspMeanFlow: SE(3)-Equivariant MeanFlow for Few-Step 6-DoF Grasp Generation [12.564090284474863]
  数ステップ6-DoFグリップ生成のためのSE(3)-equivariant MeanFlowフレームワークであるGraspMeanFlowを提案する。 本手法は, 有限時間間隔で平均速度を学習し, その時間間隔で蓄積した剛体変位を正確に再現する。 ACRONYMの実験では、GraspMeanFlowの単一関数評価が反復SE(3)フローモデルがアプローチするのに5つのステップを必要とする分布に達することが示されている。
  論文  参考訳（メタデータ） (2026-08-04T08:06:34Z)
• MeshFlow: Mesh Generation with Equivariant Flow Matching [99.07593100078935]
  MeshFlowは三角形のメッシュを三角形のスープとして直接生成することを学ぶ。 三角形スープのキー対称性を尊重する等変最適輸送流マッチングモデルを採用する。 MeshFlowは、最先端の自動回帰メッシュジェネレータに匹敵するメッシュ品質を実現する。
  論文  参考訳（メタデータ） (2026-06-22T15:35:30Z)
• Riemannian MeanFlow for One-Step Generation on Manifolds [54.09734511705173]
  フローマッチングは、生成モデルのシミュレーション不要なトレーニングを可能にする。 平均フローは、位置依存接空間に速度が存在する多様体値生成に拡張することができる。 球面, トーリ, SO(3)における実験は, 品質・効率のトレードオフを改善し, サンプリングコストを大幅に削減して, 競争力のある一段階サンプリングを実証した。
  論文  参考訳（メタデータ） (2026-03-11T12:41:46Z)
• AlphaFlow: Understanding and Improving MeanFlow Models [74.64465762009475]
  その結果,MeanFlowの目的は,トラジェクティブフローマッチングとトラジェクトリ一貫性という2つの部分に分けられることがわかった。 これらの知見に触発されて、軌跡フローマッチング、ショートカットモデル、MeanFlowを統一する目的の広いファミリーである$alpha$-Flowを紹介した。 クラス条件のImageNet-1K 256x256をバニラのDiTバックボーンでスクラッチからトレーニングすると、$alpha$-Flowはスケールと設定でMeanFlowを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-23T17:45:06Z)
• ReQFlow: Rectified Quaternion Flow for Efficient and High-Quality Protein Backbone Generation [24.13216117355207]
  高速かつ高品質なタンパク質のバックボーン生成のための新しい補正四元流(ReQFlow)マッチング法を提案する。 本手法は,タンパク質鎖の各残基に対するランダムノイズから局所翻訳と3次元回転を生成する。 数値安定性を保証した四元数フロー(QFlow)を用いてモデルをトレーニングし、推論を高速化し、生成したタンパク質のバックボーンの設計性を向上させるためにQFlowモデルを修正する。
  論文  参考訳（メタデータ） (2025-02-20T15:20:37Z)
• P2DFlow: A Protein Ensemble Generative Model with SE(3) Flow Matching [8.620021796568087]
  P2DFlowはSE(3)フローマッチングに基づく生成モデルであり、タンパク質の構造的アンサンブルを予測する。 ATLASのMDデータセットでトレーニングと評価を行うと、P2DFlowは他のベースラインモデルよりも優れている。 タンパク質分子シミュレーションの潜在的プロキシ剤として、P2DFlowによって生成された高品質なアンサンブルは、様々なシナリオでタンパク質の機能を理解するのに大いに役立つ。
  論文  参考訳（メタデータ） (2024-11-26T08:10:12Z)
• Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
  タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。 我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。 我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
  論文  参考訳（メタデータ） (2024-05-30T17:53:50Z)
• On the Fourier analysis in the SO(3) space : EquiLoPO Network [2.7624021966289605]
  既存のディープラーニングアプローチでは、離散的な回転に制限されたグループ畳み込みネットワークまたは制約付きフィルタ構造を持つステアブル畳み込みネットワークを利用する。 本研究は, 連続SO(3)群における局所パターン配向に対する解析的等価性を実現する, 新たな同変ニューラルネットワークアーキテクチャを提案する。 MedMNIST3Dを用いた多種多様な3次元医用画像データセットの包括的評価により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-04-24T16:54:39Z)
• 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)

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。