2026年01月15日
## 要約：
本研究では、分子設計における拡散モデルの効率性問題を解決するため、Deterministic Denoising Diffusion Model (DDDM)をReverse Transition Kernel (RTK)の観点から再解釈した。このアプローチにより、計算効率の向上、サンプルの一貫性確保、そして大規模データセットでの利用が可能になった。実験結果は、従来の確率的拡散モデルと比較して、より高速な収束と高い構造的忠実性を示している。
---
## 翻訳：
arXiv:2601.08963v1 Announce Type: new
Abstract: 拡散モデルは、分子設計における強力な生成モデルとして登場し、複雑な構造分布を捉え、3D分子の生成において高い忠実度を実現する能力を持つ。しかし、その広範な利用は、長いサンプリング経路、逆過程における確率的ばらつき、およびノイズ除去動態における限られた構造認識によって制限されている。Directly Denoising Diffusion Model (DDDM)は、確率的MCMC逆更新を決定論的なノイズ除去ステップで置き換えることで、これらの非効率性を緩和し、推論時間を大幅に削減する。しかし、そのような決定論的な更新の理論的根拠は依然として不明瞭だった。本研究では、Huang et al. 2024によるReverse Transition Kernel (RTK)フレームワークのレンズを通してDDDMを原理的に再解釈し、決定論的および確率的拡散を共通の確率形式主義で統合する。ノイズ除去過程を近似カーネル演算として表現することで、ノイズサンプルの間とクリーンサンプルの間の構造化された輸送マップを暗黙的に最適化していることを示す。この視点により、決定論的なノイズ除去が効率的な推論を達成する理由が明らかになる。理論的な明確さだけでなく、この再構築は、分子拡散における長年のボトルネックをいくつか解決する。RTKビューは、適切に条件付けされた逆カーネルを強制することで数値的安定性を確保し、確率的ばらつきを排除することでサンプルの一貫性を改善し、SE(3)の共変動性を尊重するスケーラブルで対称性を保存するノイズ除去を可能にする。実証実験では、RTKガイドによる決定論的なノイズ除去は、確率的拡散モデルよりも高速な収束と高い構造的忠実性を達成し、GEOM-DRUGSデータセット全体で化学的妥当性を維持していることを示す。コード、モデル、およびデータセットは、プロジェクトリポジトリで公開されている。
[📰 原文はこちら](https://arxiv.org/abs/2601.08963)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
