Fugu-MT 論文翻訳(概要): AtomSteer: Test-Time Constraint Steering for Atomistic Generative Models

論文の概要: AtomSteer: Test-Time Constraint Steering for Atomistic Generative Models

arxiv url: http://arxiv.org/abs/2610.38517v1
Date: Wed, 28 Oct 2026 09:29:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-31 05:25:12.387595
Title: AtomSteer: Test-Time Constraint Steering for Atomistic Generative Models
Title（参考訳）: AtomSteer: アトミックな生成モデルのためのテスト時間制約ステアリング
Abstract要約: AtomSteerは、構造化制約のある事前訓練された原子論生成モデルをステアリングするためのテスト時推論フレームワークである。トレーニング済みの3つのバックボーン(FlowMM、ET-Flow、Boltz-2)でAtomSteerを実演する。
参考スコア（独自算出の注目度）: 3.8893623910079924
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diffusion and flow matching models offer scalable approaches to generating crystalline materials, molecular conformers, and protein-ligand complexes. However, satisfying crystallographic symmetry, structural geometry, and accurate stereochemistry remains challenging. Satisfying these requirements calls for corrections that preserve the geometry already captured by the pretrained model. In this work, we propose AtomSteer, a test-time inference framework for steering pretrained atomistic generative models with structural constraints. During sampling, AtomSteer corrects intermediate structure predictions with bounded local projections, graph-rigid stereochemical transformations, and projections over periodic symmetries, accepting updates that improve constraint satisfaction while limiting changes to the rest of the structure. We demonstrate AtomSteer across three pretrained backbones, FlowMM, ET-Flow, and Boltz-2, spanning de novo crystal generation and crystal structure prediction, molecular conformer generation, and protein-ligand complex structure prediction. AtomSteer improves space-group distribution coverage in de novo crystal generation and improves target space-group recovery in crystal structure prediction. AtomSteer improves molecular validity and E/Z stereochemical accuracy while retaining conformer ensemble fidelity. For protein-ligand complexes, AtomSteer reduces ligand E/Z errors relative to experimental reference structures while achieving competitive docking success and PoseBusters validity. Our method provides a unified framework for adding chemical and crystallographic control to existing atomistic generative models without retraining or architectural changes.
Abstract（参考訳）: 拡散およびフローマッチングモデルは、結晶材料、分子コンフォメータ、タンパク質-リガンド錯体を生成するためのスケーラブルなアプローチを提供する。しかし、結晶対称性、構造幾何学、正確な立体化学を満たすことは依然として困難である。これらの要求を満たすためには、事前訓練されたモデルによって既に取得された幾何学を保存する修正が必要である。本研究では、構造制約のある事前学習された原子論生成モデルをステアリングするためのテスト時間推論フレームワークであるAtomSteerを提案する。サンプリング中、AtomSteerは、境界局所射影、グラフ-剛性立体化学変換、周期対称性上の射影による中間構造予測を補正し、残りの構造への変化を制限しながら制約満足度を改善する更新を受け入れる。本研究では, 3つの事前訓練されたバックボーン, FlowMM, ET-Flow, Boltz-2, ド・ノボ結晶生成, 結晶構造予測, 分子コンフォメータ生成, タンパク質-リガンド複合体構造予測にまたがるAtomSteerを実証した。 AtomSteerは、デノボ結晶生成における空間群分布カバレッジを改善し、結晶構造予測におけるターゲット空間群回復を改善する。 AtomSteerは、コンホメーラーアンサンブルの忠実さを維持しながら、分子の妥当性とE/Z立体化学的精度を向上させる。タンパク質-リガンド複合体では、AtomSteerは、競合ドッキングの成功とPoseBustersの有効性を達成しながら、実験的な参照構造に対するリガンドE/Zエラーを低減する。本手法は, 化学および結晶学的制御を, 再学習や構造変化を伴わずに既存の原子生成モデルに付加する統合的な枠組みを提供する。

関連論文リスト

EVA-Flow: Learning Shared Chemistry for Unified Environment-Aware Molecular Conformation Generation [53.898139514218]
分子3次元構造は熱力学、運動学、結晶化、核生成のシミュレーションの基礎となる。既存のモデルは環境効果を無視したり、環境ごとに個別にモデルを訓練する。環境に配慮した分子コンフォメーション生成のための統合フレームワークであるEVA-Flowを紹介する。
論文参考訳（メタデータ） (2026-10-26T20:59:51Z)
CrystalAR: Autoregressive Modeling for Symmetric Crystal Generation [20.257916415803347]
本稿では,Wyckoff対称性テンプレートと完全結晶構造を1つの生成配列でモデル化する統合自己回帰フレームワークであるCrystalARを提案する。クリスタルARは、競合するデノボ生成性能とテンプレートフリーの結晶構造予測精度を達成しつつ、強い対称性・テンプレート生成能力を維持している。
論文参考訳（メタデータ） (2026-10-20T07:26:19Z)
Symmetry-Breaking De Novo Crystal Generation via Markovian Jump Diffusion [50.136954476803766]
低対称性の先行概念から逆転することで、完全な構造仕様を生成する新しい拡散ベースのフレームワークを提案する。 emphSymmetry-breaking Crystal Diffusion (SbCD) と呼ばれる我々のモデルは、空間群間遷移を生成過程に明示的に組み込むための原則的アプローチを導入している。 MP20とMPTS-52のデ・ノボ生成実験では、SbCDは対称性保存法よりもかなり優れていた。
論文参考訳（メタデータ） (2026-08-13T16:41:48Z)
APO: Unsupervised Atomic Policy Optimization for 3D Structure Prediction of Atomic Systems [64.56252173115246]
そこで本研究では, 基幹構造を不要とした非教師なしアライメントフレームワーク(Atomic Policy Optimization)を提案する。 APOは、新しい二重回帰機構を利用して、3次元原子環境にグループ相対的なポリシー最適化を適用する。この結果から,本質的な物理的整合性は,ノイズや教師付き座標マッチングよりも優れたアライメントのガイドとなる可能性が示唆された。
論文参考訳（メタデータ） (2026-07-30T17:21:58Z)
CrystalBoltz: End-to-End Protein Structure Determination via Experiment-Guided Diffusion for X-Ray Crystallography [30.81932057978292]
本稿では, 結晶微細化を原子構造上の手動で行う生成フレームワークであるCrystalBoltzを紹介する。クリスタルボルツは最強基準線よりも低い座標RMSDと低いR因子を得る。
論文参考訳（メタデータ） (2026-05-15T03:11:34Z)
OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
論文参考訳（メタデータ） (2025-12-07T20:46:30Z)
Data-Driven Score-Based Models for Generating Stable Structures with Adaptive Crystal Cells [1.515687944002438]
本研究は, 化学安定性や化学組成など, 新しい結晶構造を創出することを目的としている。提案手法の新規性は、結晶細胞の格子が固定されていないという事実にある。対称性の制約を尊重し、計算上の優位性をもたらす多グラフ結晶表現が導入された。
論文参考訳（メタデータ） (2023-10-16T02:53:24Z)
Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
論文参考訳（メタデータ） (2023-10-07T21:36:55Z)
State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
論文参考訳（メタデータ） (2022-09-30T01:46:38Z)

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。