Equivariant Flow Matching with Hybrid Probability Transport

这段摘要介绍了生成3D分子的过程，需要同时决定分类特征（原子类型）和连续特征（原子坐标）。深度生成模型，特别是扩散模型（DMs），已经证明在生成具有丰富特征的几何结构方面是有效的。然而，现有的DMs通常受到不稳定的概率动态和低效的采样速度的影响。因此，本文介绍了几何流匹配，它具有等变建模和稳定概率动态的优点。具体来说，我们提出了一种混合概率路径，其中坐标概率路径通过等变最优传输进行规范化，并对不同模态之间的信息进行了对齐。实验结果表明，所提出的方法在多个分子生成基准测试中均能实现更好的性能，并平均提高了4.75倍的采样速度。

论文旨在解决生成3D分子的问题，同时考虑原子类型和原子坐标，现有的深度生成模型存在概率动态不稳定和采样速度低效的问题。

论文提出了几何流匹配的方法，它结合了等变建模和稳定概率动态的优势。具体来说，论文提出了一个混合概率路径，其中坐标概率路径通过等变最优传输进行正则化，并对不同模态之间的信息进行了对齐。

论文在多个分子生成基准测试中始终实现更好的性能，并平均提高了4.75倍的采样速度。实验使用了哪些数据集，开源代码等信息未提及。

最近在这个领域中，还有一些相关的研究，例如：1）MolGAN：An implicit generative model for small molecular graphs；2）GraphAF: A Flow-Based Autoregressive Model for Molecular Graph Generation；3）Constrained Graph Variational Autoencoders for Molecule Design。