Cet article aborde le fait que la moyenne d'ensemble des propriétés physiques d'une molécule est étroitement liée à sa distribution de structure moléculaire, et que l'échantillonnage de cette distribution constitue un défi fondamental en physique et en chimie. Les méthodes conventionnelles, telles que les simulations de dynamique moléculaire (MD) et l'échantillonnage par chaîne de Markov Monte Carlo (MCMC), peuvent être longues et coûteuses. Pour surmonter les limites des modèles de diffusion, qui se sont imposés comme des alternatives efficaces grâce à l'apprentissage de la distribution des données d'entraînement, nous proposons une méthode d'appariement de score de potentiel (PSM) qui utilise les gradients d'énergie potentielle pour guider les modèles génératifs. Le PSM ne nécessite pas de fonction d'énergie exacte et peut éliminer les biais dans les distributions d'échantillons, même lorsqu'il est entraîné avec des données limitées et biaisées. Nous démontrons que le PSM surpasse les modèles de pointe (SOTA) existants sur le modèle jouet couramment utilisé, le potentiel de Lennard-Jones (LJ), et sur les jeux de données MD17 et MD22 de grande dimension. Nous démontrons également que la distribution moléculaire générée par le PSM se rapproche étroitement de la distribution de Boltzmann par rapport aux modèles de diffusion conventionnels.
