HyperDiffusionFields (HyDiF): 面向学习隐式分子神经场的扩散引导的超神经网络
机器学习
2025-10-22 v1
摘要
我们引入了HyperDiffusionFields (HyDiF)，一个将3D分子构象建模为连续场而非离散原子坐标或图的方法。我们方法的核心是分子方向场 (MDF)，它将空间中的任意点映射到特定类型最近原子的方向。我们使用由分子特有的神经隐式场表示MDF，这些称为分子神经场 (MNFs) 的网络。为使跨分子学习具有可行性并促进泛化，我们采用一种方法，即以分子为条件的共享超神经网络生成给定分子MNF的权重。为赋予模型生成能力，我们将超神经网络训练为去噪扩散模型，使其能够在分子场函数空间中进行采样。我们的设计自然扩展为一种掩码扩散机制，以支持结构条件生成任务，如分子填充，通过选择性地对场的区域添加噪声。除生成外，MDF的局部和连续特性使我们能够实现对分子性质预测的细粒度特征提取，这是图或点云基于方法难以实现的。此外，我们演示了该方法可扩展到更大的生物分子，表明基于场的分子建模是一个充满前景的方向。
引用
@article{arxiv.2510.18122,
title = {HyperDiffusionFields (HyDiF): Diffusion-Guided Hypernetworks for Learning Implicit Molecular Neural Fields},
author = {Sudarshan Babu and Phillip Lo and Xiao Zhang and Aadi Srivastava and Ali Davariashtiyani and Jason Perera and Michael Maire and Aly A. Khan},
journal= {arXiv preprint arXiv:2510.18122},
year = {2025}
}