Chemistry-Inspired Diffusion with Non-Differentiable Guidance

要約

拡散モデルの最近の進歩は、新規分子の条件付き生成において顕著な可能性を示しています。
これらのモデルは、2つの方法でガイドできます。（i）条件を表す追加機能を明示的に、または（ii）暗黙的にプロパティ予測子を使用してガイドできます。
ただし、トレーニングプロパティの予測因子または条件付き拡散モデルには、豊富なラベル付きデータが必要であり、実際のアプリケーションでは本質的に困難です。
無条件の拡散モデルを導くために、Quantum Chemistryからのドメイン知識をQuantum Chemistryからのドメイン知識を活用することにより、大規模なラベル付きデータセットを取得することの制限を減衰させる新しいアプローチを提案します。
神経ネットワークに依存する代わりに、Oracleは推定勾配の形で正確なガイダンスを提供し、量子化学によって指定された条件分布から拡散プロセスをサンプリングできるようにします。
これが、より正確な条件付きの新規および安定した分子構造をもたらすことを示します。
私たちの実験は、私たちの方法が次のことを示しています。（1）原子力を大幅に減らし、安定性の最適化に使用すると生成された分子の妥当性を高めます。
（2）拡散モデルにおける明示的および暗黙的なガイダンスの両方と互換性があり、分子特性と安定性の共同最適化を可能にします。
（3）安定性の最適化を超えた分子最適化タスクに効果的に一般化します。

要約(オリジナル)

Recent advances in diffusion models have shown remarkable potential in the conditional generation of novel molecules. These models can be guided in two ways: (i) explicitly, through additional features representing the condition, or (ii) implicitly, using a property predictor. However, training property predictors or conditional diffusion models requires an abundance of labeled data and is inherently challenging in real-world applications. We propose a novel approach that attenuates the limitations of acquiring large labeled datasets by leveraging domain knowledge from quantum chemistry as a non-differentiable oracle to guide an unconditional diffusion model. Instead of relying on neural networks, the oracle provides accurate guidance in the form of estimated gradients, allowing the diffusion process to sample from a conditional distribution specified by quantum chemistry. We show that this results in more precise conditional generation of novel and stable molecular structures. Our experiments demonstrate that our method: (1) significantly reduces atomic forces, enhancing the validity of generated molecules when used for stability optimization; (2) is compatible with both explicit and implicit guidance in diffusion models, enabling joint optimization of molecular properties and stability; and (3) generalizes effectively to molecular optimization tasks beyond stability optimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google