論文の概要: Zatom-2: Multitask Pretraining on Atomistic Data for Generative Modeling across Domains

• arxiv url: http://arxiv.org/abs/2610.11454v2
• Date: Sat, 10 Oct 2026 19:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-14 23:39:49.736
• Title: Zatom-2: Multitask Pretraining on Atomistic Data for Generative Modeling across Domains
• Title（参考訳）: Zatom-2: ドメイン間の生成モデリングのための原子論的データに基づくマルチタスク事前学習
• Abstract要約: OMol25とOMat24の電子構造データセットから約500万構造を事前訓練した原子構造生成モデル。 Zatom-2はZatom-1よりも分子分布の忠実度が良く、既存の分子および物質生成ベンチマークで強い性能を発揮する。 Zatom-2は、低力および高力のレギュレーションでサンプル生成を制御する能力を示し、共同生成予測事前学習と転写学習を通じて、低データ環境でのタンパク質生成を促進する。
• 参考スコア（独自算出の注目度）: 51.14393551142664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unified atomistic modeling has the potential to accelerate discovery in chemistry, materials science, and biology by bridging data-rich chemical domains and data-scarce biological contexts. However, existing generative approaches to atomistic modeling remain highly specialized to scientific disciplines (chemistry vs. biology) or do not leverage both high-volume organic (molecule) and inorganic (material) data for general-purpose pretraining. To this end, we introduce Zatom-2, an atomistic generative model pretrained on approximately five million structures from the OMol25 and OMat24 electronic structure datasets. Zatom-2 features a multiscale Transformer architecture coupled with conditional flow matching that supports force conditioning and foundational pretraining tasks such as generation, structure prediction, and prediction of molecular and material energies and forces. Empirically, Zatom-2 achieves better molecular distribution fidelity than Zatom-1 and achieves strong performance on existing molecule and material generation benchmarks. Zatom-2 demonstrates the ability to control sample generation across low- and high-force regimes, and enhances protein generation in a low-data setting through joint generative-predictive pretraining and transfer learning, increasing protein backbone designability in a length extrapolation setting from 67.8% without pretraining to 74.8% after finetuning on 2,000 protein domains.
• Abstract（参考訳）: 統一原子モデル(Unified atomistic modeling)は、データリッチな化学ドメインとデータスカースな生物学的コンテキストをブリッジすることで、化学、材料科学、生物学における発見を加速する可能性がある。 しかし、既存の原子モデルへの生成的アプローチは、科学分野(化学と生物学)に高度に特化しているか、あるいは汎用的な事前学習に高体積有機(分子)データと無機(物質)データの両方を利用していない。 そこで本研究では,OMol25およびOMat24電子構造データセットから約500万構造を事前学習した原子構造生成モデルZatom-2を紹介する。 Zatom-2は、条件付きフローマッチングと組み合わされたマルチスケールトランスフォーマーアーキテクチャを備えており、力の条件付けと、生成、構造予測、分子および物質エネルギーと力の予測といった基礎的な事前訓練タスクをサポートする。 実験的に、Zatom-2はZatom-1よりも分子分布の忠実度が良く、既存の分子および物質生成ベンチマークで強い性能を発揮する。 Zatom-2は、低力量と高力量でサンプル生成を制御する能力を示し、共同生成予測前処理と転写学習を通じて低データ環境でのタンパク質生成を促進させ、2000個のタンパク質ドメインを微調整した後、67.8%から74.8%までの長さの外挿条件でタンパク質のバックボーン設計性を高める。

関連論文リスト

• Accurate structural modeling of chemically diverse molecular interfaces with Vilya-2 [0.22586637593648193]
  Vilya-2は、Vilya-1の全原子表現を拡張する拡散変圧器である。 サイズ、クラス、組成にまたがるペプチドの構造を高精度にモデル化し、治療に関係のある標的に結合する。 様々なマクロサイクルの分子のモデリングや、ジスルフィドで安定化されたミニタンパク質のモデリングを一般化する。
  論文  参考訳（メタデータ） (2026-07-28T00:01:54Z)
• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• AdaMR: Adaptable Molecular Representation for Unified Pre-training Strategy [11.710702202071573]
  分子調節性表現(AdaMR)と呼ばれる,小分子薬物の大規模均一事前学習戦略を提案する。 AdaMRは、分子正準化と呼ばれる事前訓練ジョブによって達成される粒度調整可能な分子エンコーディング戦略を利用する。 6つの分子特性予測タスクと2つの生成タスクに関する事前学習モデルを微調整し、8つのタスクのうち5つについてSOTA(State-of-the-art)の結果を得た。
  論文  参考訳（メタデータ） (2023-12-28T10:53:17Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。