Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Génération de molécules 3D non équivariantes évolutives via l'alignement rotationnel
Created by
Haebom
Auteur
Yuhui Ding, Thomas Hofmann
Contour
Dans cet article, nous présentons une nouvelle méthode pour pallier les limitations d'évolutivité et d'efficacité du modèle de diffusion équivariante, qui présente d'excellentes performances pour la génération de molécules 3D. Le modèle de diffusion équivariante existant considère la symétrie euclidienne des molécules 3D à l'aide de réseaux de débruitage SE(3)-équivariants, mais son évolutivité et son efficacité sont limitées par son architecture équivariante particulière. Dans cet article, nous proposons une approche pour construire un espace latent aligné en apprenant une transformée SO(3) dépendante de l'échantillon pour chaque molécule. Nous entraînons ensuite un modèle de diffusion anisotrope sur la représentation alignée. Les résultats expérimentaux montrent que la méthode proposée surpasse significativement les modèles anisotropes existants et améliore l'efficacité d'apprentissage et d'échantillonnage tout en offrant une qualité d'échantillon comparable à celle des modèles de diffusion équivariante de pointe. Le code est disponible à l' adresse https://github.com/skeletondyh/RADM .
