三维分数降噪分子预训练

Jul, 2023

Fractional Denoising for 3D Molecular Pre-training

Shikun Feng, Yuyan Ni, Yanyan Lan, Zhi-Ming Ma, Wei-Ying Ma

TL;DR通过引入混合噪声策略和分数去噪方法（Frad），本研究提出一种新的坐标去噪方法，用于改进分子表示，并在 QM9 的 12 个任务中有 9 个任务达到新的最先进水平，并在 MD17 的 8 个目标中有 7 个目标取得了最先进水平。

Abstract

coordinate denoising is a promising 3d molecular pre-training method, which has achieved remarkable performance in various downstream drug discovery tasks. Theoretically, the objective is equivalent to learning t

coordinate denoising 3d molecular pre-training force field noise strategy fractional denoising

发现论文，激发创造

切片去噪：一种基于物理信息的分子预训练方法

该论文提出一种名为 SliDe 的分子预训练新方法，利用切片去噪策略及随机切片方法，提高对分子力场的精确预测能力，从而优于传统基准模型在分子性质预测任务上的表现。

Nov, 2023

分子性质预测的去噪预训练

该论文描述了一种基于去噪自编码的预训练技术，通过利用大量的 3D 分子结构数据学习下游任务的有意义的表示，从而实现分子属性预测的最新技术；实验证明，使用这种预训练目标显著提高了多个基准测试的性能，在广泛使用的 QM9 数据集中取得了新的最新技术成果。

May, 2022

3D 去噪器是优秀的 2D 教师：通过去噪和跨模态蒸馏进行分子预训练

D&D 是一种自监督的分子表示学习框架，通过从 3D 去噪器中提炼的表示来预训练 2D 图形编码器，并在下游任务中无需准确的构象器获得 3D 信息和卓越的性能。

Sep, 2023

基于几何优化的去噪扩散模型用于三维分子生成

提出了一种名为几何促进分子扩散（GFMDiff）的新型分子生成方法，通过引入双轨 Transformer 网络（DTN）和几何促进损失（GFLoss）解决了构成二元边和模型分子几何形状的多体间相互关系的建模问题。在现有基准上的全面实验证明了 GFMDiff 的优越性。

Jan, 2024

使用 SE（3）不变去噪距离匹配进行分子几何预训练

提出了利用 3D 几何结构进行预训练的方法，并提供了一种 3D 坐标去噪预训练框架以建模分子的平滑势能面。实验验证了该方法的效果和稳健性。

Jun, 2022

推广去噪至非平衡结构改善等变原子力场

本文提出了一种使用去噪非平衡结构（DeNS）作为辅助任务来更好地利用训练数据和提高性能的方法，通过对非平衡结构添加噪声并预测噪声来实现对非平衡结构的去噪，进而改善在 OC20、OC22 和 MD17 数据集上的训练效率并取得了新的最先进结果。

Mar, 2024

愿原力与你同在：基于力的统一预训练方法用于 3D 分子构象

我们提出了一种力导向的预训练模型，用于涵盖平衡和非平衡数据的三维分子构象，通过直接学习非平衡数据的原子力，以及引入零力正规化和基于力的去噪技术来近似接近平衡力转化为近千其他鞠躬。我们的预训练模型对于三维分子表示具有统一的作用，通过预训练目标，力的准确性相比未经预训练的等变变压器模型提高了约 3 倍，同时通过在平衡数据上添加正规化项，解决了原始等变变压器中不稳定的分子动力学模拟问题，实现了与 NequIP 相比 2.45 倍更快的推理时间，并达到了与最先进的属性预测任务相当的性能。

Aug, 2023

非平衡分子的降噪预训练，用于准确和可转移的神经势

本文提出了基于去噪预训练 (Equivariant Graph Neural Networks) 的新型神经势能预测方法，旨在解决对于大规模、复杂的分子体系建立准确、具有可迁移性的 GNN 神经势能预测模型的问题。实验结果表明，该方法具有很好的实用性，并成功地提高了神经势能预测的准确性。

Mar, 2023

通过去噪体素网格生成 3D 分子

利用新的基于得分的方法生成分子，该方法使用神经网络学习从噪声分子的平滑分布到真实分子的分布的映射，然后采用采样噪声密度网格和修复噪声表格的步骤以生成简洁的分子。

Jun, 2023

无监督基于坐标的视频去噪

本文介绍了一种新颖的无监督视频去噪深度学习方法，可帮助减轻数据稀缺问题并展现对不同噪声模式的稳健性，其方法包括三个模块：生成特征图的特征生成器、生成去噪但略带模糊的参考帧的去噪网络、重新引入高频细节的改进网络。通过利用基于坐标的网络，可以在保留去噪视频帧中高频细节的同时大大简化网络结构。广泛的试验表明，我们的方法可以有效地去噪现实中的钙成像视频序列，而无需先验知识和数据增强训练。

Jul, 2023