通过典范化重思具有对称性的扩散模型及其在分子图生成中的应用
Gemini AI生成的图像
研究人员提出了一种新的化学生成任务处理方法，摆脱了传统的不变和等变模型。他们引入了一种规范化方法，通过在应用非等变模型之前将样本映射到标准化形式，简化了训练过程并提升了性能。在对具有 $S_n \times SE(3)$ 对称性的分子图生成进行测试时，该框架的表现超越了现有模型，尤其在三维分子生成方面，展示了在 GEOM-DRUG 数据集上的最先进结果。
新方法增强分子图生成的扩散模型
最近的一项研究通过采用利用群对称性的规范化方法，引入了一种新颖的分子图生成方法。这种方法在效率和性能上优于传统策略。
传统上，生成模型依赖于等变去噪器来处理对群对称性不变的分布。最新研究提出了一个三步过程：将样本映射到轨道代表，基于这个规范切片训练非等变的扩散模型，并通过随机对称变换恢复不变分布。
主要发现
- 规范生成模型的正确性和普遍性，优于传统的不变目标。
- 这些模型的表达能力增强，导致训练效率提高。
- 通过规范化加速训练，减少与群混合相关的复杂性。
在分子图生成中的应用
作者在 \(S_n \times SE(3)\) 的对称性下实施了这一框架进行分子图生成。他们的方法Canon在3D分子生成任务中显著优于现有的等变基线，并且在计算需求上相当或有所减少。
CanonFlow在GEOM-DRUG数据集上达到了最先进的性能，在少步生成场景中甚至展现出优势。
相关主题：
对称性扩散模型规范化分子图生成GEOM-DRUG数据集
📰 原始来源： https://arxiv.org/abs/2602.15022v1
所有权利和署名均属于原出版商。