Generazione di molecole 3D mediante denoising di griglie voxel

3D molecule generation by denoising voxel grids

June 13, 2023

Autori: Pedro O. Pinheiro, Joshua Rackers, Joseph Kleinhenz, Michael Maser, Omar Mahmood, Andrew Martin Watkins, Stephen Ra, Vishnu Sresht, Saeed Saremi

cs.AI

Abstract

Proponiamo un nuovo approccio basato su punteggi per generare molecole 3D rappresentate come densità atomiche su griglie regolari. In primo luogo, addestriamo una rete neurale di denoising che impara a mappare da una distribuzione regolare di molecole rumorose alla distribuzione di molecole reali. Successivamente, seguiamo il framework di Bayes empirico neurale [Saremi e Hyvarinen, 2019] e generiamo molecole in due passaggi: (i) campioniamo griglie di densità rumorose da una distribuzione regolare tramite la catena di Markov Monte Carlo di Langevin sottosmorzata, e (ii) recuperiamo la molecola "pulita" denoising la griglia rumorosa con un singolo passaggio. Il nostro metodo, VoxMol, genera molecole in modo fondamentalmente diverso rispetto allo stato dell'arte attuale (cioè, modelli di diffusione applicati a nuvole di punti atomici). Differisce in termini di rappresentazione dei dati, modello di rumore, architettura della rete e algoritmo di modellazione generativa. VoxMol ottiene risultati comparabili allo stato dell'arte nella generazione incondizionata di molecole 3D, pur essendo più semplice da addestrare e più veloce nella generazione di molecole.

English

We propose a new score-based approach to generate 3D molecules represented as atomic densities on regular grids. First, we train a denoising neural network that learns to map from a smooth distribution of noisy molecules to the distribution of real molecules. Then, we follow the neural empirical Bayes framework [Saremi and Hyvarinen, 2019] and generate molecules in two steps: (i) sample noisy density grids from a smooth distribution via underdamped Langevin Markov chain Monte Carlo, and (ii) recover the ``clean'' molecule by denoising the noisy grid with a single step. Our method, VoxMol, generates molecules in a fundamentally different way than the current state of the art (i.e., diffusion models applied to atom point clouds). It differs in terms of the data representation, the noise model, the network architecture and the generative modeling algorithm. VoxMol achieves comparable results to state of the art on unconditional 3D molecule generation while being simpler to train and faster to generate molecules.