可扩展的自回归 3D 分子生成
机器学习
2025-09-10 v2 化学物理
摘要
3D 分子结构的生成模型在分子设计和仿真中发挥着快速增长的作用。扩散模型目前主导 3D 分子生成领域，而自回归模型则落后于人们。本文提出 Quetzal，一款简单却可扩展的自回归模型，按原子顺序在 3D 空间中构建分子。将每个分子视为原子序列，Quetzal 结合一个因果变换器来预测下一个原子的离散类型，同时结合一个较小的扩散 MLP 来建模连续的下一个位置分布。与现有的自回归基线方法相比，Quetzal 在生成质量方面实现了显著的改进，并与最先进的扩散模型性能相当。此外，通过减少通过稠密变换器的昂贵前向传递次数，Quetzal 实现了显著更快的生成速度，同时还能进行精确的基于发散度的似然计算。最后，without any 架构更改，Quetzal 本机处理 variable-size 任务，如氢装饰和骨架完成。我们希望我们的工作能为 3D 分子生成的可扩展性和通用性提供新的视角。
引用
@article{arxiv.2505.13791,
title = {Scalable Autoregressive 3D Molecule Generation},
author = {Austin H. Cheng and Chong Sun and Alán Aspuru-Guzik},
journal= {arXiv preprint arXiv:2505.13791},
year = {2025}
}
备注
Added link to code; corrected results on disabling data augmentation in Appendix Table 4; logit prediction uses Lin, not MLP