Este artículo aborda el hecho de que el promedio del conjunto de las propiedades físicas de una molécula está estrechamente relacionado con la distribución de su estructura molecular, y el muestreo de esta distribución es un desafío fundamental en física y química. Los métodos convencionales, como las simulaciones de dinámica molecular (MD) y el muestreo de Monte Carlo con Cadenas de Markov (MCMC), pueden requerir mucho tiempo y ser costosos. Para superar las limitaciones de los modelos de difusión, que han surgido como alternativas eficientes al aprender la distribución de los datos de entrenamiento, proponemos un método de coincidencia de puntaje potencial (PSM) que utiliza gradientes de energía potencial para guiar los modelos generativos. El PSM no requiere una función de energía exacta y puede eliminar el sesgo en las distribuciones de muestra, incluso cuando se entrena con datos limitados y sesgados. Demostramos que el PSM supera a los modelos de vanguardia (SOTA) existentes en el modelo de juguete comúnmente utilizado, el potencial de Lennard-Jones (LJ), y en los conjuntos de datos MD17 y MD22 de alta dimensión. También demostramos que la distribución molecular generada por el PSM se aproxima mucho a la distribución de Boltzmann en comparación con los modelos de difusión convencionales.
