복셀 그리드 노이즈 제거를 통한 3D 분자 생성

초록

우리는 정규 그리드 상의 원자 밀도로 표현된 3D 분자를 생성하기 위한 새로운 스코어 기반 접근법을 제안한다. 먼저, 노이즈가 추가된 분자의 부드러운 분포에서 실제 분자의 분포로 매핑하는 방법을 학습하는 노이즈 제거 신경망을 훈련시킨다. 그런 다음, 신경 경험적 베이즈 프레임워크[Saremi and Hyvarinen, 2019]를 따라 두 단계로 분자를 생성한다: (i) 언더댐프드 랑주뱅 마르코프 체인 몬테 카를로를 통해 부드러운 분포에서 노이즈가 있는 밀도 그리드를 샘플링하고, (ii) 노이즈가 있는 그리드를 단일 단계로 노이즈 제거하여 "깨끗한" 분자를 복구한다. 우리의 방법인 VoxMol은 현재 최신 기술(즉, 원자 포인트 클라우드에 적용된 확산 모델)과 근본적으로 다른 방식으로 분자를 생성한다. 이는 데이터 표현, 노이즈 모델, 네트워크 아키텍처 및 생성 모델링 알고리즘 측면에서 차이가 있다. VoxMol은 무조건적 3D 분자 생성에서 최신 기술과 비슷한 결과를 달성하면서도 훈련이 더 간단하고 분자 생성이 더 빠르다.

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.

복셀 그리드 노이즈 제거를 통한 3D 분자 생성

3D molecule generation by denoising voxel grids

초록

Support