Elign：基于基础机器学习力场的等效扩散模型对齐
机器学习
2026-01-30 v1
摘要
3D 分子构象的生成模型必须遵守欧几里得对称性，并将概率质量集中在热力学上有利且机械稳定的结构上。然而，-等效扩散模型往往会复制半经验训练数据中的偏见，而非捕获高保真哈密顿量的平衡分布。虽然物理驱动可以纠正这一问题，但面临两个计算瓶颈：昂贵的量子化学评估（如 DFT）以及在每个采样步骤中重复进行此类查询的需求。我们提出 Elign，一个后训练框架，用于 amortize 两者的成本。首先，我们用更快的预训练基础机器学习力场 (MLFF) 替代昂贵的 DFT 评估，以提供物理信号。其次，我们消除运行时重复查询，通过将物理引导移至训练阶段来实现。为实现第二种 amortization，我们将逆扩散形式化为强化学习问题，并引入力-能量解耦群相对政策优化 (FED-GRPO) 以微调去噪策略。 FED-GRPO 包括基于势能的能量奖励和基于力的稳定性奖励，这些奖励独立优化和群归一化。实验表明，Elign 生成的构象具有更低的金标准 DFT 能量和力，同时改善了稳定性。关键的是，推理速度与无指导采样相当快，因为在生成期间不需要能量评估。
引用
@article{arxiv.2601.21985,
title = {Elign: Equivariant Diffusion Model Alignment from Foundational Machine Learning Force Fields},
author = {Yunyang Li and Lin Huang and Luojia Xia and Wenhe Zhang and Mark Gerstein},
journal= {arXiv preprint arXiv:2601.21985},
year = {2026}
}