論文の概要: Graph Forward Distribution Matching for Molecular Inverse Design

• arxiv url: http://arxiv.org/abs/2609.32056v1
• Date: Fri, 25 Sep 2026 22:35:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 03:27:23.177673
• Title: Graph Forward Distribution Matching for Molecular Inverse Design
• Title（参考訳）: 分子逆設計のためのグラフフォワード分布マッチング
• Abstract要約: 本稿では、**forward*プロセスを通じて最適化を行うグラフ拡散のための新しいオンラインRLパラダイムを提案する。 GraphFDMは有効な世代を使用して、グラフサイズと分子構造に対して共同最適化された報酬型ターゲット分布を定義する。 各目的物で最も低いMAEを達成し、最強のベースラインに対する最大53.0%の還元と0.99以上の化学的有効性を持つ。
• 参考スコア（独自算出の注目度）: 36.353425060990595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving precise control over multiple properties without sacrificing chemical validity remains a central challenge in molecular inverse design. Existing reinforcement learning (RL) methods fine-tune graph diffusion models by treating **reverse** sampling as a sequential policy, using a single terminal reward to optimize hundreds of coupled decisions. They often suffer from instability, validity collapse, and limited property gains. We introduce GraphFDM (Graph Forward Distribution Matching), a new online RL paradigm for graph diffusion that performs optimization through the **forward** process. GraphFDM uses valid generations to define a reward-tilted target distribution jointly optimized over graph size and molecular structure for each property condition, incorporating reinforcement signals into supervised learning without storing reverse trajectories. We derive the unique optimal target, prove a condition-wise improvement guarantee, and show that the fixed graph-size prior of standard graph diffusion leaves an irreducible matching gap. In multi-conditional polymer and small-molecule generation, GraphFDM achieves the lowest MAE on every target property, with reductions of up to 53.0\% relative to the strongest baselines and chemical validity above 0.99. It further generalizes to out-of-distribution property combinations.
• Abstract（参考訳）: 化学的妥当性を犠牲にすることなく、複数の特性を正確に制御することは、分子逆設計における中心的な課題である。 既存の強化学習(RL)法では、**逆**サンプリングを逐次ポリシーとして扱い、数百の連成決定を最適化するために単一の終端報酬を使用する。 彼らはしばしば不安定さ、妥当性の崩壊、限られた資産の利得に悩まされる。 グラフ拡散のための新しいオンラインRLパラダイムであるGraphFDM(Graph Forward Distribution Matching)を導入し、**forward**プロセスを通じて最適化を行う。 GraphFDMは有効な世代を用いて、グラフサイズと各特性条件に対する分子構造に対して共同最適化された報酬型ターゲット分布を定義する。 我々は、一意の最適目標を導出し、条件ワイド改善保証を証明し、標準グラフ拡散前の固定グラフサイズが、既約マッチングギャップを残していることを示す。 マルチコンディショナルポリマーおよび小分子生成において、GraphFDMは、最も強いベースラインに対する最大53.0\%の還元と0.99以上の化学的有効性で、全てのターゲット特性において最も低いMAEを達成する。 さらに、配布外プロパティの組み合わせに一般化する。

関連論文リスト

• When Do Graph Foundation Models Transfer? A Data-Centric Theory [68.54337055801571]
  グラフ基盤モデル(GFMs)は、様々なグラフドメインにまたがる単一のバックボーンの再利用を目的としているが、それらの転送は不均一であり、負の転送を示すことがある。 我々は、セットベースおよびメッセージパストークン化の両方に対して、任意のリプシッツバックボーンは、クロスドメイン出力シフトの明示的な分解を認めていることを示す。 我々はスペクトルPEの安定性を保証するとともに、固有ベクトルと部分空間に基づくPEの対比挙動を強調する。
  論文  参考訳（メタデータ） (2026-05-28T12:07:27Z)
• Reinforcement Learning for Microcanonical Graph Ensemble with Assortativity Constraints [1.0896567381206717]
  ネットワーク構造がどのように関数を決定するかは基本的な問題であり、正確に制御された構造特性を持つグラフアンサンブルで調べることができる。 本稿では,Deep Microcanonical Graph Generator (DMGG)について紹介する。
  論文  参考訳（メタデータ） (2026-05-22T06:57:41Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• DMol: A Highly Efficient and Chemical Motif-Preserving Molecule Generation Platform [12.423378733539087]
  DMolと呼ばれる小分子生成のための新しいグラフ拡散モデルを提案する。 最先端のDiGressモデルよりも、すべてのベンチマークデータセットで約1.5%向上している。 拡散ステップの数を少なくとも10倍に減らし、走行時間を約半分に短縮する。
  論文  参考訳（メタデータ） (2025-04-08T03:31:21Z)
• Optimization-Induced Graph Implicit Nonlinear Diffusion [64.39772634635273]
  我々はGIND(Graph Implicit Diffusion)と呼ばれる新しいグラフ畳み込み変種を提案する。 GINDは暗黙的に隣人の無限のホップにアクセスでき、非線型拡散を伴う特徴を適応的に集約することで過度な平滑化を防いでいる。 学習された表現は、明示的な凸最適化目標の最小化として定式化できることを示す。
  論文  参考訳（メタデータ） (2022-06-29T06:26:42Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)

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。