SemlaFlow -- 基于潜在注意力与等变流匹配的高效3D分子生成
机器学习
2025-03-03 v3 人工智能
神经与进化计算
摘要
近期，针对联合生成分子图及其3D构型的方法因其在基于结构的药物设计方面的潜在影响而日益受到关注。然而，当前方法常常存在采样时间极慢或生成的分子化学有效性较差的局限。为此，我们提出了Semla，一种可扩展的E(3)等变消息传递架构。我们进一步引入了无条件3D分子生成模型SemlaFlow，其采用等变流匹配进行训练，以生成原子类型、坐标、键类型和形式电荷的联合分布。我们的模型在基准数据集上实现了最先进的结果，仅需20个采样步骤，即可实现相对于最先进方法的两个数量级加速。此外，我们指出了当前3D生成评估方法的局限性，并提出了针对无条件分子生成器的新基准指标。最后，我们利用这些新指标，对比了我们模型在生成高质量样本方面的能力，进一步证明了SemlaFlow的卓越性能。
引用
@article{arxiv.2406.07266,
title = {SemlaFlow -- Efficient 3D Molecular Generation with Latent Attention and Equivariant Flow Matching},
author = {Ross Irwin and Alessandro Tibo and Jon Paul Janet and Simon Olsson},
journal= {arXiv preprint arXiv:2406.07266},
year = {2025}
}
备注
AISTATS 2025