GADIFF:一种可转移的图形注意力扩散模型,用于生成分子构造

科学领域:

• 计算化学是一种计算化学.
• 机器学习 机器学习
• 分子建模分子建模

背景情况:

• 扩散生成模型在各种研究领域显示出前景.
• 产生准确和多样化的分子构造对于药物发现和材料科学至关重要.
• 现有的模型在有效地捕获本地和全球分子信息方面面临挑战.

研究的目的:

• 提出GADIFF,一个可转移的图表注意力扩散模型用于分子构造生成.
• 通过整合本地和全球分子信息来增强特征表示.
• 为非共价相互作用 (NCI) 分子系统开发一个可转移的模型.

主要方法:

• GADIFF使用图形同态网络 (GIN) 来捕获具有不同边缘类型的本地子图信息.
• 多头自我注意力 (MSA) 被用作噪音注意力机制来捕捉全球分子背景.
• 通过MSA计算的动态噪声重量被用于改善分子构造噪声预测.

主要成果:

• 在GEOM-QM9和GEOM-Drugs数据集上,GADIFF在生成多样性 (COV-R,COV-P) 和准确性 (MAT-R,MAT-P) 方面取得了竞争性表现.
• 该模型显示,与最佳基线相比,GEOM-Drugs数据集的平均COV-R有3.75%的改善.
• 可转移的GADIFF-NCI模型成功地为非共价相互作用系统生成了合理的结构.

结论:

• 通过有效地整合本地和全球特征,GADIFF提供了改进的分子构造生成.
• 通过GADIFF-NCI证明的GADIFF的可转移性,突出了其研究多分子系统的潜力.
• 拟议的模型为推进分子建模和计算化学研究提供了有价值的工具.