Nov, 2023

切片去噪：一种基于物理信息的分子预训练方法

PDF
TL;DR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。
molecular pre-trainingdenoising methodsslideforce fieldsmolecular property prediction
发现论文，激发创造
  • 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

  • 三维分数降噪分子预训练

    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。

    Jul, 2023

  • 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

  • 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

  • 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

  • 噪声感知的物理信息机器学习用于鲁棒的 PDE 发现

    本研究提出了一种基于噪声感知的物理信息机器学习框架以及基于离散傅里叶变换的去噪物理信息神经网络，用于通过数据发现物理系统的偏微分方程， 并在五个标准偏微分方程上进行实验证明了该方法的鲁棒性和可解释性。

    Jun, 2022

  • 面向现实感知系统的基于物理模型的数据去噪

    通过加入物理约束，我们设计了一种基于物理的去噪模型，能够提高实际应用中的传感器性能，而无需准确的干净数据作为训练依据，从而实现对成本较低的嘈杂传感器数据的实时去噪处理，达到与高成本替代方法相近的结果，提供更准确的传感器系统所需的高效、经济的方案。

    Nov, 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

  • 通过位置去噪预测易于获得的几何量子化学性质

    本文提出了采用分层去噪方法预测量子化学性质的方法，以优化几何结构为输入，解决高级量子力学计算的不可行性问题，实现了在两个预测任务中取得了较高的准确性。

    Mar, 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