arXiv cs.AI· Kaihui Cheng, Zhiqiang Cai, Wenkai Xiang, Zhihang Hu, Siyu Zhu, Tzuhsiung Yang, Yuan Qi·· 9 天前AI 评分25
在生成空间中学习隐式偏置以加速蛋白质动力学模拟
Learning Implicit Bias in Generative Spaces for Accelerating Protein Dynamics Emulation
AI 导读
研究者提出一种在预训练蛋白质动力学生成模拟器的生成空间中注入隐式、依赖历史的偏置方法，通过历史感知评分估计器引导逆向采样远离已生成结构，并用基于评分的精修步骤将漂移样本重新投影回数据流形。
正文 · AI 翻译
摘要：蛋白质动力学的生成式模拟器能以远低于分子动力学的成本生成合理的轨迹，但它们继承了其训练分布，在长时程外推中倾向于重复已知状态，而非到达稀有状态。受经典增强采样启发，我们在预训练模拟器的生成空间中引入了一种隐式的、依赖历史的偏置。具体而言，一个历史感知的分数估计器为冻结的模拟器增加了一个距离加权偏置，引导反向时间采样远离先前生成的结构，并由环境支持项进行正则化。为在长时程下保持结构有效性，一个基于分数的细化步骤利用冻结的模拟器将漂移的样本重新投影到数据流形上。我们的实验表明，该方法 (i) 在 DynamicPDB-80 上将多样性提高了 $35\%$；(ii) 在 $12$ 个零样本快速折叠蛋白质上，仅学习到的偏置就能以最高约 ${\sim}15\times$ 的速度达到无偏模拟器的覆盖范围，将其与细化配对后，达到覆盖范围的速度最高提升约 ${\sim}37\times$，同时覆盖的低能态数量约为 ${\sim}3\times$。代码即将发布。
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI) |
| 引用为： | arXiv:2606.01833 [cs.LG] |
| （或 arXiv:2606.01833v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.01833 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kaihui Cheng [查看电子邮件]
[v1]
2026年6月1日星期一 07:46:28 UTC（2,223 KB）
[v2]
2026年10月8日星期四 07:34:26 UTC（2,228 KB）
来源：arXiv cs.AI · arxiv.org