通过旋转对齐实现可扩展的非等变3D分子生成
机器学习
2025-07-01 v2 人工智能
定量方法
摘要
等变扩散模型在3D分子生成中取得了令人瞩目的性能。这些模型通过利用SE(3)-等变去噪网络来纳入3D分子的欧几里得对称性。然而，专门的等变架构限制了扩散模型的可扩展性和效率。在本文中，我们提出了一种放松此类等变约束的方法。具体而言，我们的方法为每个分子学习一个样本依赖的SO(3)变换，以构建对齐的隐空间。然后在对齐的表示上训练一个非等变扩散模型。实验结果表明，我们的方法显著优于此前报道的非等变模型。它产生了与最先进的等变扩散模型相当的样本质量，并提供了改进的训练和采样效率。我们的代码可在 https://github.com/skeletondyh/RADM 获取。
引用
@article{arxiv.2506.10186,
title = {Scalable Non-Equivariant 3D Molecule Generation via Rotational Alignment},
author = {Yuhui Ding and Thomas Hofmann},
journal= {arXiv preprint arXiv:2506.10186},
year = {2025}
}
备注
ICML 2025; added conditional generation results