GEOM-Drugs
PulseAugur coverage of GEOM-Drugs — every cluster mentioning GEOM-Drugs across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的InertialAR模型通过Transformer++推进三维分子生成
研究人员开发了InertialAR，一种用于生成三维分子的新型自回归模型。该模型通过创建与标准惯性坐标系对齐的SE(3)和置换不变的token序列来解决分子token化的关键挑战。InertialAR结合了几何位置编码，为Transformer注意力注入三维几何感知能力，并采用分层自回归方法来预测原子类型和坐标。该模型在多个数据集上的无条件生成方面表现出最先进的性能，并在特定化学功能的条件生成方面表现出色。
-
新的VAE通过改善潜在空间平滑度来增强分子生成
研究人员开发了TopVAE，这是一种新颖的变分自编码器（VAE），旨在提高分子扩散模型中潜在空间的平滑度和有效性。与依赖重建目标的前几种方法不同，TopVAE将结构和化学约束直接整合到其训练过程中，显著减少了潜在空间中可能导致化学无效分子的“暗区”。这种方法提高了鲁棒性，并在QM9和GEOM-Drugs等基准数据集上展示了卓越的性能，生成了更稳定和连接性更好的分子。
-
新的ENBP框架尊重SE(3)对称性，加速AI推理
研究人员开发了等变神经信念传播（ENBP），这是一个尊重SE(3)对称性的概率推理新框架。ENBP利用等变高斯混合模型进行消息传递，能够合成各向异性不确定性所需的秩2精度矩阵。该方法在分子构象预测和机器人推理等任务上的速度和准确性均显著优于现有方法。
-
新的 GO-Flow 模型改进了 3D 分子构象生成
研究人员开发了 GO-Flow，这是一种新颖的生成模型，旨在提高 3D 分子构象生成的准确性。与将分子视为简单点云的先前方法不同，GO-Flow 通过将生成过程分解为物理驱动的子空间（平移、旋转和构象）来整合几何归纳偏置。这种感知流形的方法使生成路径与分子的自由度保持一致，从而在基准数据集上产生更符合物理规律的结构和最先进的生成质量。该方法还以更少的步骤实现了高保真采样，提高了计算效率。
-
新的生成模型EnFlow助力低能分子结构发现
研究人员开发了EnFlow，一种新颖的、用于分子结构发现的能量引导生成框架。该方法结合了基于流的一致性生成与显式能量景观建模，以有效识别低能分子构象。EnFlow将采样引导至这些低能区域，从而以最少的采样步骤准确识别基态结构。
-
基于能量的模型生成物理上一致的分子
研究人员开发了 EBMol，一种用于生成物理上一致的 3D 分子的新型基于能量的模型。该模型在无需训练期间进行显式模拟的情况下学习原子加性势，并利用恢复场匹配目标。EBMol 在 QM9 和 GEOM-Drugs 基准测试中取得了最先进的性能，并为分子构型提供了原则性的质量度量。
-
NEAT transformer以最先进的速度和准确性生成3D分子
研究人员开发了NEAT，一种用于3D分子生成的新型自回归集合Transformer。与依赖原子顺序的先前方法不同，NEAT将分子视为集合，并使用邻域引导的训练策略来确保排列不变性。这种方法使模型能够学习令牌的顺序无关分布，从而在QM9和GEOM-Drugs等数据集上实现最先进的生成质量，同时比现有方法快得多。