- Адаптированное к симметрии создание наборов трехмерных точек для целенаправленного открытия молекул (arXiv)
Автор : Никлас В. А. Гебауэр, Майкл Гастеггер, Кристоф Т. Шютт
Аннотация: Доказано, что глубокое обучение позволяет быстро и точно прогнозировать квантово-химические свойства, что ускоряет открытие новых молекул и материалов. Поскольку исчерпывающее исследование обширного химического пространства по-прежнему невозможно, нам нужны порождающие модели, которые направляют наш поиск к системам с желаемыми свойствами. Хотя ранее предлагались модели на основе графов, они ограничены недостатком пространственной информации и неспособны распознавать пространственную изомерию и несвязанные взаимодействия. Здесь мы представляем генеративную нейронную сеть для наборов трехмерных точек, которая учитывает вращательную инвариантность целевых структур. Мы применяем его к генерации молекул и демонстрируем его способность аппроксимировать распределение равновесных структур, используя пространственные метрики, а также установленные меры хемоинформатики. Поскольку наша модель способна уловить сложную взаимосвязь между трехмерной геометрией и электронными свойствами, мы смещаем распределение генератора в сторону молекул с небольшим зазором HOMO-LUMO — важным свойством для проектирования органических солнечных элементов.
2. Эквивариантная диффузия для генерации молекул в 3D (arXiv)
Автор: Эмиэль Хугебум, Виктор Гарсиа Саторрас, Клеман Виньяк, Макс Веллинг.
Аннотация: В этой работе представлена диффузионная модель генерации молекул в 3D, эквивариантная евклидовым преобразованиям. Наша эквивариантная модель диффузии (EDM) E(3) учится шумоподавлять процесс диффузии с помощью эквивариантной сети, которая совместно работает как с непрерывными (координатами атомов), так и с категориальными признаками (типами атомов). Кроме того, мы предоставляем вероятностный анализ, который допускает вычисление вероятности молекул с использованием нашей модели. Экспериментально предлагаемый метод значительно превосходит предыдущие методы молекулярной генерации 3D в отношении качества генерируемых образцов и эффективности во время обучения. △
