吞下苦药丸：简化且可扩展的构象生成

我们提出了一种预测分子构象的新方法，其通过简单的形式化规避了先前工作的许多启发式规则，并利用规模优势取得了最先进的成果。通过在 3D 原子坐标上直接训练扩散生成模型，而不对分子的显式结构（例如建模扭转角）做出假设，我们能够从根本上简化结构学习，并使模型规模的扩展变得轻而易举。该模型称为分子构象场（Molecular Conformer Fields, MCF），其将构象结构参数化为从分子图直接映射到空间中 3D 位置的函数。这种形式化使我们能够将结构预测的本质归结为学习函数上的分布。实验结果表明，扩大模型容量可在不施加旋转等变等归纳偏置的情况下带来泛化性能的大幅提升。MCF 代表了在将扩散模型以概念简单、可扩展且有效的方式扩展到处理复杂科学问题方面的一次进展。