QM9
PulseAugur coverage of QM9 — every cluster mentioning QM9 across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
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。
-
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。