QM9
PulseAugur coverage of QM9 — every cluster mentioning QM9 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的LOGSI方法使用随机插值法增强了生成模型的引导能力
研究人员开发了LOGSI,一种用于引导使用随机插值法(SI)和流匹配(FM)的生成模型的新方法。与之前专注于条件分数的方法不同,LOGSI解决了FM和SI模型学习到的速度的组合问题。该方法引入了一种基于分数的再平衡机制,以确保精确的条件速度组合,特别是对于否定和异或等逻辑运算,同时还为合取运算提供近似的传输预测器。LOGSI在图像迁移和具有逻辑属性约束的分子编辑等任务中,展示了改进的规则符合性和保真度,优于现有的组合速度基线。
-
VEDA框架增强3D分子结构生成
研究人员开发了VEDA,一个新颖的SE(3)-等变框架,旨在通过扩散模型改进3D分子结构的生成。VEDA通过将方差爆炸扩散与退火过程相结合,解决了采样效率和构象准确性之间的权衡问题。与现有方法相比,这种方法能够生成更准确、更稳定的分子结构,并显著降低松弛能,同时保持具有竞争力的采样效率。
-
新的机器学习框架利用电子密度增强分子性质预测
研究人员开发了一个新的机器学习框架,通过整合电子密度信息来改进分子性质的预测。该方法基于无轨道密度泛函理论的代理函数,将基态密度强制作为代理函数的最小值。该方法在QM9数据集的七项广泛属性中的六项上表现出优越性能,并且与现有模型相比,在QM40数据集上对更大分子的泛化能力有所提高。
-
新的物理对齐方法提高了MLIP的泛化能力
研究人员开发了新的方法,即正交归一损失(OrthoNormal-Loss, ON-Loss)和格拉斯曼受限占据轨道训练(Grassmann Restricted Occupied-Orbital Training, GROOT),以提高机器学习原子间势(MLIPs)的泛化能力。这些技术通过强制执行物理约束,使学习目标与Kohn-Sham密度泛函理论(KS-DFT)保持一致。在实验中,这些方法显著降低了能量和力的平均绝对误差,优于先前最…
-
新的机器学习模型通过物理对齐训练提高了电子基态预测能力
研究人员开发了新的机器学习模型用于电子基态预测,其泛化能力显著优于现有方法。通过结合源自Kohn-Sham密度泛函理论(KS-DFT)的物理约束,并引入正交归一化损失(ON-Loss)和格拉斯曼受限占据轨道训练(GROOT)等新颖训练技术,这些模型在能量和力预测的误差率方面取得了实质性降低。新方法在从较小数据集外推到较大数据集方面显示出有效性,并有望应用于反应化学。
-
新型OrbFlow模型推动量子化学电子密度预测
研究人员开发了OrbFlow,这是一种新的SE(3)-等变生成模型,旨在更高效、更准确地预测电子密度。该模型利用流匹配来预测高斯型轨道系数,克服了先前基于网格和基于基组方法的局限性。OrbFlow在QM9数据集上展示了最先进的准确性,并显著降低了MD基准测试的误差,同时还减少了自洽场迭代次数并改善了分子性质的恢复。
-
嵌入式图流模型推动分类图生成
研究人员开发了嵌入式图流(EGF),一种新颖的生成模型,专为分类图生成而设计。与使用固定独热向量表示类别的先前方法不同,EGF学习节点和边类型的连续嵌入,通过置换等变图变换器传输高斯噪声。这种方法允许更灵活和准确地表示分类数据。EGF在分子基准测试中表现出有竞争力的性能,在QM9数据集上取得了最先进的结果,并在ZINC250k数据集上与参考分子显示出高度一致性。
-
新研究解决了等变神经网络中的对称性增加问题
一篇新发表在arXiv上的论文详细介绍了一种减少等变神经网络(ENNs)中对称性增加的方法。ENNs对于几何结构非常强大,但由于对称性增加,在使用对称输入时可能会失去表现力。该研究提供了一个理论框架和一个可计算的算法,用于推导这种增加的对称性的下确界,为缓解该问题提供了特征设计的实用指南。在合成数据和QM9数据集上的实验验证了所提出的方法。
-
新的SIGMA目标改进了分子自回归模型
研究人员开发了SIGMA,一种用于自回归分子模型的新型目标函数,它提高了模型在不考虑序列化格式的情况下为分子分配概率的能力。该方法使用具有化学认证的相同后缀三元组的密集后缀位置目标来对齐隐藏状态并减少不一致的下一个标记决策。SIGMA已在各种数据集和表示中证明了Frechet ChemNet距离的降低,并提高了分子属性基准的平均预测性能。
-
新的GNN模型推动晶体性质预测和分子模拟
研究人员开发了新的图神经网络(GNN)模型来预测晶体性质。其中一种方法CPGN使用多尺度GNN联合学习原子、键和配位多面体表示,在形成能和带隙预测的基准数据集上优于现有模型。另一项开发MolCryst-MLIPs提供了一个分子晶体微调MACE模型的开放数据库,该模型能够解析多晶型能量景观并在模拟过程中保持结构完整性。
-
新方法通过感知角色的扩散优化分子图生成
研究人员开发了MotifRole-Diff,一种用于掩码离散扩散生成分子图的新方法。该方法通过根据分子图标记的角色在去噪难度和对最终分子的影响,为其分配不同的掩码率来优化掩码计划。该策略旨在提高重建准确性和生成分子的质量。
-
新的SenCos-GEM框架提高了分子属性预测的准确性
研究人员开发了SenCos-GEM,一种新的分子表示学习框架,旨在提高分子属性预测的准确性。该方法利用余弦定理整合了物理引导的几何一致性,以创建鲁棒的3D空间先验,解决了现有方法中易受几何噪声和灾难性遗忘影响的局限性。SenCos-GEM还采用了轻量级SE模块和双调制预测头进行动态特征重新校准,在MoleculeNet等基准测试中取得了最先进的结果,尤其是在构象敏感回归任务上。
-
Decafs模型提升生成式AI的可解释性和性能
研究人员开发了Decafs,这是一种基于李群的新型条件生成器,旨在提高流式生成模型的可解释性。通过对抗性损失在潜在空间中解耦生成因素,Decafs在不增加模型维数的情况下促进了可控生成。该方法在条件图像生成方面表现强劲,在MNIST和dSprites等基准测试中优于StyleGAN,并且在QM9、ZINC和MOSES数据集的分子生成任务中也表现出色。
-
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。
-
新的量子和经典模型以很少的参数实现了分子性质预测的高精度
研究人员开发了两种新的架构,Iso-QGNN和Iso-CGNN,用于低数据量子化学环境中的分子性质预测。这些模型利用了拓扑对齐的归纳偏置,映射分子键图以提高参数效率。在QM9数据集上对HOMO-LUMO和偶极矩分类进行基准测试时,Iso-CGNN在gap任务上达到了0.91的AUC,而Iso-QGNN达到了0.88,两者都只有64个可训练参数。研究结果表明,这种偏置对于参数效率至关重要,并为量子机器学习中的匹配基线基准测试提供了基础。
-
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。