論文の概要: Blitz: Accelerating the Diffusion Modules of AlphaFold3 and Boltz-2

• arxiv url: http://arxiv.org/abs/2610.23703v1
• Date: Fri, 16 Oct 2026 16:29:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.021023
• Title: Blitz: Accelerating the Diffusion Modules of AlphaFold3 and Boltz-2
• Title（参考訳）: Blitz: AlphaFold3とBoltz-2の拡散モジュールの高速化
• Abstract要約: 本稿では,数段階の蒸留フレームワークであるBlitzについて紹介する。 物理的ステアリングと標的のない候補選択は、推論時に残る幾何学的欠陥を減らすのに役立つ。 Blitzは教師レベルの構造精度を維持しており、AF3-Blitzは評価された数ステップのベースラインをすべて上回り、いくつかの精度の指標でその教師を上回っている。
• 参考スコア（独自算出の注目度）: 0.2624902795082451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-based protein structure prediction models produce all-atom structures in about 200 denoising steps, and that cost has driven a number of few-step samplers. We present Blitz, a few-step distillation framework that uses a geometric noise schedule to distribute steps more evenly across noise scales, then learns those updates through multistep consistency training. Physical steering and target-free candidate selection help reduce the remaining geometric defects at inference. We apply Blitz to AlphaFold 3 and Boltz-2, reducing denoising from 200 steps to eight. Because published few-step results use different benchmarks and scoring procedures, we compare both distilled models with their teachers and other few-step methods under a common evaluation protocol covering structural accuracy, interface quality, ligand placement, and stereochemical validity. Blitz retains teacher-level structural accuracy, with AF3-Blitz outperforming all evaluated few-step baselines and exceeding its teacher on several accuracy metrics.
• Abstract（参考訳）: 拡散に基づくタンパク質構造予測モデルでは、約200ステップで全原子構造が生成され、そのコストが数ステップのサンプルを駆動している。 数段階の蒸留フレームワークであるBlitzを紹介し、幾何的なノイズスケジュールを用いて、より均等なノイズスケールでステップを分散し、その更新をマルチステップ整合性トレーニングを通じて学習する。 物理的ステアリングと標的のない候補選択は、推論時に残る幾何学的欠陥を減らすのに役立つ。 我々はBlitzをAlphaFold 3とBoltz-2に適用し、200段から8段に縮退する。 得られた数段階の結果は異なるベンチマークと採点手順を用いており, 蒸留されたモデルと教師と, 構造精度, インターフェース品質, リガンド配置, 立体化学的妥当性を共通評価プロトコルを用いて比較する。 Blitzは教師レベルの構造的精度を維持しており、AF3-Blitzは評価された数ステップのベースラインをすべて上回り、いくつかの精度の指標でその教師を上回っている。

関連論文リスト

• Simplifying and Improving On-Policy Distillation for Few-Step Diffusion [60.45650436067934]
  少ない段階の蒸留は拡散・流動モデルのサンプリングコストを低減させるが、既存の手法では補助的なスコアモデルや特殊なアーキテクチャを必要とすることが多い。 4-NFE生成の基盤として, 簡易なオン・ポリティクス速度回帰法がすでに有効であることを示す。 本稿では,学習者の区間平均予測から局所的な補正を分離する訓練専用残差プロキシであるPivotを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T14:35:46Z)
• Few-step Cofolding with All-Atom Flow Maps [13.124878986088738]
  Denoiser Cofolding All-Atom Flowmap (DeCAF) 我々は,SE(3)剛性アライメントを自然に支持するエンドポイント損失を伴うデノイザに基づくフローマップの定式化に基づいてDeCAFを構築した。 本稿では,報酬誘導探索によるサンプリングを改善するための,目的付き推論時間フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-07T00:06:15Z)
• Is Monotonic Sampling Necessary in Diffusion Models? [26.81598226089532]
  拡散モデルは、ガウス先行を反復的に denoising してサンプルを生成し、発行されたサンプルごとに単調に減少する一連のノイズレベルをトラバースする。 ここでは、単調サンプリングが負荷分散であるのか、それとも単に従来のものであるのかを問う。 我々は、構造化された非単調なスケジュールの4つのファミリーを設計し、DDPM、EDM、フローマッチングの3つのアーキテクチャ的に異なる生成モデルに適用する。
  論文  参考訳（メタデータ） (2026-05-12T08:45:59Z)
• EDIT: Early Diffusion Inference Termination for dLLMs Based on Dynamics of Training Gradients [6.736735746633275]
  拡散に基づく大規模言語モデル (dLLMs) は反復的妄想を通じてトークン生成を洗練させるが、全てのステップが完了する前に答えは安定することが多い。 本稿では,トレーニング時推論に対する十分な推論安定性が検出された場合に,適応的にデノイングを停止する推論時基準であるEDITを提案する。
  論文  参考訳（メタデータ） (2025-11-29T23:47:47Z)
• InstructPLM-mu: 1-Hour Fine-Tuning of ESM2 Beats ESM3 in Protein Mutation Predictions [54.19843038028329]
  InstructPLM-muと呼ばれる微調整フレームワークを提案する。 構造入力を持つ細調整ESM2はESM3に匹敵する性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-10-03T07:42:22Z)
• Unleashing the Power of One-Step Diffusion based Image Super-Resolution via a Large-Scale Diffusion Discriminator [81.81748032199813]
  拡散モデルは実世界の超解像(Real-ISR)に優れた性能を示した SRのための大規模textbfDiscriminator を用いた One-Step textbfDiffusion モデルを提案する。 我々の判別器は、潜伏空間における拡散モデルの任意の時間ステップからノイズのある特徴を抽出することができる。
  論文  参考訳（メタデータ） (2024-10-05T16:41:36Z)
• Imagine Flash: Accelerating Emu Diffusion Models with Backward Distillation [18.371344440413353]
  本研究では,1段階から3段階の高忠実度,多種多様な試料生成を可能にする新しい蒸留フレームワークを提案する。 提案手法は, (i) 学習者自身の後方軌跡を校正することで, トレーニングと推論の相違を緩和する後方蒸留, (ii) 知識伝達を動的に適応させるシフト型再構成損失, (iii) サンプル品質を高める推論時間技術であるノイズ補正の3つの重要な要素から構成される。
  論文  参考訳（メタデータ） (2024-05-08T17:15:18Z)
• Adaptive Training Meets Progressive Scaling: Elevating Efficiency in Diffusion Models [52.1809084559048]
  TDCトレーニングと呼ばれる新しい2段階分割型トレーニング戦略を提案する。 タスクの類似性と難易度に基づいてタイムステップをグループ化し、高度にカスタマイズされた復調モデルを各グループに割り当て、拡散モデルの性能を向上させる。 2段階のトレーニングでは、各モデルを個別にトレーニングする必要がなくなるが、総トレーニングコストは、単一の統合されたデノナイジングモデルをトレーニングするよりもさらに低い。
  論文  参考訳（メタデータ） (2023-12-20T03:32:58Z)

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。