arXiv cs.AI· Pengfei Cai, Katharina S. C. J\"ager, Utkarsh Utkarsh, Nofit Segal, Bowen Deng, Akshay Subramanian, Rafael Gomez-Bombarelli·· 13 小时前AI 评分34
AtomSteer：面向原子生成模型的测试时约束引导框架
AtomSteer: Test-Time Constraint Steering for Atomistic Generative Models
AI 导读
AtomSteer 是一个无需重训练或改动架构的测试时推理框架，通过有界局部投影、图刚性立体化学变换和周期对称投影，引导预训练原子生成模型满足结构约束。在 FlowMM、ET-Flow 和 Boltz-2 三个骨干模型上，它提升了晶体生成的空间群分布覆盖与晶体结构预测的目标空间群恢复率，并改善分子有效性和 E/Z 立体化学精度。
正文 · AI 翻译
摘要：扩散模型与流匹配模型为生成晶体材料、分子构象和蛋白质-配体复合物提供了可扩展的方法。然而，满足晶体学对称性、结构几何和准确的立体化学仍然具有挑战性。满足这些要求需要在不破坏预训练模型已捕获的几何结构的前提下进行修正。在本工作中，我们提出 AtomSteer，一种用于以结构约束引导预训练原子生成模型的测试时推理框架。在采样过程中，AtomSteer 通过有界局部投影、图刚性立体化学变换以及周期对称性上的投影来修正中间结构预测，接受那些能提升约束满足度、同时限制对结构其余部分改动的更新。我们在三个预训练骨干模型 FlowMM、ET-Flow 和 Boltz-2 上展示了 AtomSteer，涵盖从头晶体生成与晶体结构预测、分子构象生成以及蛋白质-配体复合物结构预测。AtomSteer 提升了从头晶体生成中的空间群分布覆盖度，并提升了晶体结构预测中的目标空间群恢复率。AtomSteer 提升了分子有效性和 E/Z 立体化学准确性，同时保持构象系综的保真度。对于蛋白质-配体复合物，AtomSteer 相对于实验参考结构降低了配体 E/Z 误差，同时实现了有竞争力的对接成功率和 PoseBusters 有效性。我们的方法提供了一个统一框架，无需重新训练或修改架构，即可为现有原子生成模型添加化学和晶体学控制。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.38517 [cs.LG] |
| （或 arXiv:2610.38517v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.38517 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Pengfei Cai [查看邮箱]
[v1]
2026年10月28日 星期三 09:29:17 UTC（9,230 KB）
来源：arXiv cs.AI · arxiv.org