ボクセルグリッドのノイズ除去による3D分子生成

要旨

我々は、規則的なグリッド上に原子密度として表現される3D分子を生成するための新しいスコアベースのアプローチを提案する。まず、ノイズの多い分子の滑らかな分布から実分子の分布へマッピングすることを学習するノイズ除去ニューラルネットワークを訓練する。次に、神経経験ベイズフレームワーク [Saremi and Hyvarinen, 2019] に従い、分子を2段階で生成する：(i) アンダーダンプド・ランジュバン・マルコフ連鎖モンテカルロ法を用いて滑らかな分布からノイズの多い密度グリッドをサンプリングし、(ii) ノイズの多いグリッドを単一ステップでノイズ除去して「クリーンな」分子を復元する。我々の手法であるVoxMolは、現在の最先端技術（すなわち、原子点群に適用された拡散モデル）とは根本的に異なる方法で分子を生成する。データ表現、ノイズモデル、ネットワークアーキテクチャ、および生成モデリングアルゴリズムの点で異なる。VoxMolは、無条件の3D分子生成において最先端技術と同等の結果を達成しつつ、訓練がより簡単で分子生成がより高速である。

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.

ボクセルグリッドのノイズ除去による3D分子生成

3D molecule generation by denoising voxel grids

要旨

Support