Überarbeitung von Diffusionsmodellen mit Symmetrien durch Kanonisierung und deren Anwendungen in der Generierung molekularer Graphen
Von Gemini AI generiertes Bild
Forscher schlagen einen neuen Ansatz für generative Aufgaben in der Chemie vor, der sich von traditionellen invarianten und äquivarianten Modellen entfernt. Sie präsentieren eine Kanonalisierungsmethode, die das Training vereinfacht und die Leistung verbessert, indem Proben vor der Anwendung nicht-äquivariant Modelle auf eine standardisierte Form abgebildet werden. Dieses Framework wurde beim Generieren von Molekülgraphen mit $S_n \times SE(3)$-Symmetrien getestet und übertrifft bestehende Modelle, insbesondere bei der 3D-Molekülgenerierung. Es zeigt dabei Ergebnisse auf höchstem Niveau im GEOM-DRUG-Datensatz.
Neuer Ansatz für Diffusionsmodelle verbessert die Generierung von Molekülgraphen
Eine aktuelle Studie stellt eine neuartige Methode zur Generierung von Molekülgraphen vor, die einen Kanonalisierungsansatz verwendet, der Gruppensymmetrien nutzt. Diese Methode zeigt eine verbesserte Effizienz und Leistung im Vergleich zu traditionellen Strategien.
Traditionell haben generative Modelle auf äquivariante Denoiser zurückgegriffen, um Verteilungen zu behandeln, die gegenüber Gruppensymmetrien invariant sind. Die neueste Forschung schlägt einen dreistufigen Prozess vor: Abbildung von Stichproben auf einen Orbit-Repräsentanten, Training eines nicht-äquivarianten Diffusionsmodells auf diesem kanonischen Schnitt und Wiederherstellung der invarianten Verteilung durch zufällige Symmetrie-Transformationen.
Wichtigste Ergebnisse
- Die Richtigkeit und Universalität kanonischer generativer Modelle, die traditionelle invariante Ziele übertreffen.
- Erhöhte Ausdruckskraft dieser Modelle, was zu verbesserten Trainingseffizienzen führt.
- Trainingbeschleunigung durch Kanonalisierung, die die Komplexität im Zusammenhang mit Gruppenmischungen reduziert.
Anwendungen in der Molekülgraph-Generierung
Die Autoren haben dieses Framework zur Generierung von Molekülgraphen unter den Symmetrien von \(S_n \times SE(3)\) implementiert. Ihre Methode, Canon, übertraf bestehende äquivariante Baselines bei 3D-Molekülgenerierungsaufgaben mit vergleichbaren oder reduzierten Rechenanforderungen erheblich.
CanonFlow erzielte eine Spitzenleistung auf dem GEOM-DRUG-Datensatz und zeigte Vorteile sogar in Szenarien mit wenigen Generierungsschritten.
Verwandte Themen:
📰 Originalquelle: https://arxiv.org/abs/2602.15022v1
Alle Rechte und Urheberrechte liegen beim ursprünglichen Herausgeber.