面向3D分子潜在扩散建模的统一且无损潜在空间
机器学习
2025-10-14 v4
摘要
3D分子生成是药物发现和材料科学中的关键任务,需要模型处理包括原子类型、化学键和3D坐标在内的复杂多模态数据。一个关键挑战是如何在保持3D坐标SE(3)等变性的前提下,将不同形状的模态数据整合在一起。在训练和采样效率方面,现有方法通常为不变模态和等变模态维护独立的潜在空间,这会降低效率。本文提出了一种名为"统一变分自编码器用于3D分子潜在扩散建模"(\textbf{UAE-3D})的多模态VAE,该模型将3D分子压缩到统一潜在空间的潜在序列中,同时保持近乎为零的重建误差。这种统一的潜在空间消除了在潜在扩散建模中处理多模态和等变性的复杂性。我们通过采用一种无任何分子归纳偏置的扩散Transformer模型进行潜在生成来实现这一点。针对GEOM-Drugs和QM9数据集进行大量实验表明,我们的方法在\textit{de novo}和条件3D分子生成任务中显著建立了新的基准,在效率和质量方面均取得领先水平。在GEOM-Drugs数据集上,我们的方法相较于前最佳结果将FCD指标降低了72.6%,同时在几何保真性方面实现了超过70%的相对平均提升。我们的代码已发布于https://github.com/lyc0930/UAE-3D/。
引用
@article{arxiv.2503.15567,
title = {Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling},
author = {Yanchen Luo and Zhiyuan Liu and Yi Zhao and Sihang Li and Hengxing Cai and Kenji Kawaguchi and Tat-Seng Chua and Yang Zhang and Xiang Wang},
journal= {arXiv preprint arXiv:2503.15567},
year = {2025}
}
备注
NeurIPS 2025