Repensando los Modelos de Difusión con Simetrías a través de la Canonicalización con Aplicaciones en la Generación de Gráficos Moleculares

Nuevo Enfoque en Modelos de Difusión Mejora la Generación de Grafos Moleculares

Un estudio reciente presenta un método novedoso para la generación de grafos moleculares mediante un enfoque de canonización que aprovecha las simetrías de grupo. Este método demuestra una eficiencia y rendimiento mejorados en comparación con las estrategias tradicionales.

Tradicionalmente, los modelos generativos han dependido de desruidos equivariantes para manejar distribuciones invariantes a las simetrías de grupo. La última investigación propone un proceso de tres pasos: mapear muestras a un representante de órbita, entrenar un modelo de difusión no equivariante en esta rebanada canónica y recuperar la distribución invariante a través de transformaciones de simetría aleatorias.

Resultados Clave

• La corrección y universalidad de los modelos generativos canónicos, que superan a los objetivos invariantes tradicionales.
• Aumento de la expresividad de estos modelos, lo que conduce a una mayor eficiencia en el entrenamiento.
• Aceleración del entrenamiento a través de la canonización, reduciendo la complejidad asociada con mezclas de grupo.

Aplicaciones en la Generación de Grafos Moleculares

Los autores implementaron este marco en la generación de grafos moleculares bajo las simetrías de \(S_n \times SE(3)\). Su método, Canon, superó significativamente las líneas base equivariantes existentes en tareas de generación de moléculas en 3D con demandas computacionales comparables o reducidas.

CanonFlow logró un rendimiento de vanguardia en el conjunto de datos GEOM-DRUG, mostrando ventajas incluso en escenarios de generación de pocos pasos.