基于贝叶斯流网络的3D分子统一生成建模
化学物理
2024-03-26 v1 人工智能
机器学习
生物大分子
摘要
源自数据分布简化连续性假设的高级生成模型（例如扩散模型），尽管展现出有希望的进展，但由于分子几何的多模态性和噪声敏感性，一直难以直接应用于几何生成应用。本文介绍了几何贝叶斯流网络（GeoBFN），它通过在不同模态的分布可微参数空间中进行建模，自然地拟合分子几何。GeoBFN通过结合分布参数上的等变相互依赖建模，并统一不同模态的概率建模，保持了SE-(3)不变密度建模特性。通过优化的训练和采样技术，我们证明GeoBFN在多个3D分子生成基准测试中，在生成质量方面达到了最先进的性能（QM9上分子稳定性90.87%，GEOM-DRUG上原子稳定性85.6%）。GeoBFN还可以以任意步数进行采样，以达到效率和质量之间的最优权衡（例如，在不牺牲性能的情况下实现20倍加速）。
引用
@article{arxiv.2403.15441,
title = {Unified Generative Modeling of 3D Molecules via Bayesian Flow Networks},
author = {Yuxuan Song and Jingjing Gong and Yanru Qu and Hao Zhou and Mingyue Zheng and Jingjing Liu and Wei-Ying Ma},
journal= {arXiv preprint arXiv:2403.15441},
year = {2024}
}
备注
ICLR 2024