QM9
PulseAugur coverage of QM9 — every cluster mentioning QM9 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的MDM-VGB采样器通过奖励引导的重新掩码增强了扩散模型
研究人员开发了MDM-VGB，一种新颖的离散扩散采样器，旨在增强掩码扩散模型（MDMs）。该新方法集成了奖励引导的重新掩码，其灵感来自Jerrum-Sinclair回溯马尔可夫链，以改善高奖励生成和样本编辑。MDM-VGB在掩码状态图上运行，允许灵活地取消掩码和重新掩码标记，以偏好更高价值的配置。该方法在理论上是稳健的，并实现了二次复杂度，优于最佳N等启发式方法，并在数独和QM9等基准测试上得到了实证验证。
-
分子特征分析挑战AI泛化启发式方法
一篇新论文分析了分子特征的光谱特性，以理解机器学习中的模型泛化。研究人员发现，更丰富的谱特征并不总是能带来更好的性能，这挑战了自监督学习中的普遍假设。该研究在QM9和MoleculeNet基准测试中，使用了基于ECFP、Transformer和图神经网络等各种表示的核岭回归，结果显示只有基于ECFP的核显示出与性能的一致正相关性。
-
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。
-
受量子启发的算法提升机器学习表示
研究人员开发了将量子计算原理融入以增强机器学习模型的新方法。其中一种方法 QUIVER 使用量子 Fisher 视图来捕捉数据中的高阶相关性，从而提高分子性质预测和粒子识别等任务的性能。另一种方法侧重于通过使用生成模型合成门序列来优化量子机器学习的数据嵌入，从而在各种数据集上获得更好的分类性能。这些进展表明，即使在容错量子硬件广泛可用之前，量子几何特征也能为标准的机器学习任务提供显著价值。
-
新的张量代数嵌入了等变性以发现对称性
研究人员开发了一个新的张量代数框架，称为 $\star_G$，它内在地嵌入了等变性，从而实现了保持对称性的张量近似和物理对称性发现。该框架提供了每个不可约表示的预测的闭式分解，并且可以仅从数据中识别出潜在的对称群。在分子几何数据上的实证表明，与标准的 MLP 相比，参数显著减少，同时实现了可比的预测能力。
-
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。
-
轨道变换器学习分子波函数，加速TDDFT模拟
研究人员开发了OrbEvo，一个等变图变换器模型，用于预测时间相关密度泛函理论（TDDFT）中的分子波函数。这种新方法旨在加速外部激发下分子动力学的模拟，这对于预测光学吸收和电子动力学等性质至关重要。OrbEvo利用波函数池化或密度矩阵聚合来学习时间演化算符，并在源自QM9和MD17的数据集上显示出准确的结果。
-
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。
-
VQ-SAD 模型采用神经符号方法改进分子生成
研究人员开发了 VQ-SAD，一种使用扩散技术进行分子生成的新型神经符号模型。该方法通过将原子和键视为 VQ-VAE 框架内的潜在变量来整合关于原子和键的符号信息。通过利用大型离散代码空间，VQ-SAD 增强了去噪过程，并在 QM9 和 ZINC250k 数据集上的性能优于最先进的方法。