論文の概要: How Molecular Generative Models Organize Molecular Identity

• arxiv url: http://arxiv.org/abs/2608.06956v1
• Date: Fri, 07 Aug 2026 08:32:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.416891
• Title: How Molecular Generative Models Organize Molecular Identity
• Title（参考訳）: 分子生成モデルがいかに分子アイデンティティを組織化するか
• Abstract要約: 物質生成モデルは、しばしば出力表現よりもサンプルとして評価され、その潜在空間は、化学空間をナビゲートするためのプロキシとして一般的に使用される。 これらのモデルが、これらの表現の中で個々の化学的アイデンティティを内部的に配置する方法について検討する。 このレパートリーは, 連続する粗大な境界によって分割された一貫した領域に配置されていることがわかった。
• 参考スコア（独自算出の注目度）: 0.10072952462216293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models for matter are often evaluated as samplers over output representations, and their latent spaces are commonly used as proxies for navigating chemical space. Much less is known about how these models internally arrange discrete chemical identities within those representations. We study this arrangement by making molecular identity explicit and pulling it back through the generative process. Through these pullbacks we probe the regions that generate the same object, exposing the trained model's internal repertoire: a fixed partition that determines which objects (novel or not) the model can produce. Across three molecular generative architectures, we find that this repertoire is arranged into piecewise-constant regions separated by recurring coarse-to-fine boundaries. Its organization depends on the representation probed, the identity convention, decoder stochasticity, and the metric used to compare coordinates. During training, local chemical organization stabilizes while the number of distinct molecular identities represented within each neighborhood continues to change. Internal organization must therefore be characterized, rather than assumed, before a generative space can be treated as chemically navigable.
• Abstract（参考訳）: 物質生成モデルは、しばしば出力表現よりもサンプルとして評価され、その潜在空間は、化学空間をナビゲートするためのプロキシとして一般的に使用される。 これらのモデルが、これらの表現の中でどのように個別の化学的アイデンティティを配置するかについては、ほとんど分かっていない。 分子識別を明示し、生成過程から引き戻すことにより、この配置を研究する。 これらのプルバックを通じて、トレーニングされたモデルの内部レパートリーを公開して、同じオブジェクトを生成する領域を探索する。 3つの分子生成アーキテクチャ全体で、このレパートリーは、連続する粗大な境界によって分離された一方向のコンスタントな領域に配列されている。 その組織は、探索された表現、アイデンティティ規約、デコーダ確率性、座標を比較するために使用される計量に依存する。 訓練中、局所的な化学組織は安定し、各地区で表される異なる分子アイデンティティの数も変化し続けている。 したがって、生成空間が化学的にナビゲート可能なものとして扱われる前に、内部組織を仮定するよりもむしろ特徴付けなければならない。

関連論文リスト

• Sesame: Structure-Aware Molecular Generation via Spatial Density-Map Conditioning [0.0]
  本稿では拡散型分子生成モデルであるSesameを紹介する。 デノボ生成とフラグメント条件付きリード最適化の両方をサポートする。 セサマはタンパク質-リガンドデータセットの大きなコーパスで訓練されている。
  論文  参考訳（メタデータ） (2026-06-22T18:48:10Z)
• Quotient-Space Diffusion Models [30.277808058897104]
  一般商空間上での拡散モデリングのための公式な枠組みを確立する。 特殊ユークリッド群 $textSE(3)$対称性に従う分子構造生成に適用する。 これらの議論は、小さな分子やタンパク質の構造生成について実証的に検証されている。
  論文  参考訳（メタデータ） (2026-04-23T16:04:40Z)
• Causal Representation Meets Stochastic Modeling under Generic Geometry [49.24293444627916]
  我々は,連続時間潜在点過程の因果表現学習を開発する。 MUTATEは時間適応型遷移モジュールを持つ変分自動エンコーダフレームワークである。 シミュレーションおよび実証研究全体で、MUTATEは科学的疑問に効果的に答えられることが判明した。
  論文  参考訳（メタデータ） (2026-02-04T20:40:53Z)
• Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
  分子学習は関数空間における学習として定式化することができる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
  論文  参考訳（メタデータ） (2026-01-29T21:13:37Z)
• 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)
• Diffusion-Driven Generative Framework for Molecular Conformation Prediction [0.66567375919026]
  機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。 本研究は,最先端な生成手法を提案する。 メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
  論文  参考訳（メタデータ） (2023-12-22T11:49:39Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
  分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。 本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
  論文  参考訳（メタデータ） (2020-10-19T09:34:20Z)
• Learning a Continuous Representation of 3D Molecular Structures with Deep Generative Models [0.0]
  生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。 原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。 また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
  論文  参考訳（メタデータ） (2020-10-17T01:15:47Z)

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。