MUDiff: Unified Diffusion for Complete Molecule Generation

要約

タイトル：完全な分子生成のための統合的な拡散　MUDiff

要約：
– 分子データの生成のための新しいモデルMUDiffを提案する。
– このモデルは、離散と連続拡散プロセスを組み合わせることで、分子の包括的な表現を生成する。
– 2Dの離散分子構造と3Dの連続分子座標を含む、原子の特徴を含む分子表現を生成する。
– 拡散プロセスの使用により、分子プロセスの確率的な性質を捉えることができ、分子構造と特性に対する異なる要因の影響を探求することができる。
– さらに、私たちは雑音の多い拡散プロセスを除去するための新しいグラフ変換アーキテクチャを提案する。
– この変換器はユークリッド変換に対して同型をもち、原子およびエッジ表現を不変に学習しつつ、原子座標の同変性を維持することができる。
– この変換器を使用することで、幾何学的変換に強い分子表現を学習することができる。
– 実験と既存の方法との比較により、私たちのモデルの性能を評価し、より安定かつ適切な分子生成が可能であることを示した。
– 私たちのモデルは、望ましい特性を持つ分子のデザインに有望なアプローチであり、分子モデリングのさまざまなタスクに適用することができる。

要約(オリジナル)

We present a new model for generating molecular data by combining discrete and continuous diffusion processes. Our model generates a comprehensive representation of molecules, including atom features, 2D discrete molecule structures, and 3D continuous molecule coordinates. The use of diffusion processes allows for capturing the probabilistic nature of molecular processes and the ability to explore the effect of different factors on molecular structures and properties. Additionally, we propose a novel graph transformer architecture to denoise the diffusion process. The transformer is equivariant to Euclidean transformations, allowing it to learn invariant atom and edge representations while preserving the equivariance of atom coordinates. This transformer can be used to learn molecular representations robust to geometric transformations. We evaluate the performance of our model through experiments and comparisons with existing methods, showing its ability to generate more stable and valid molecules with good properties. Our model is a promising approach for designing molecules with desired properties and can be applied to a wide range of tasks in molecular modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI