要旨: 深層生成モデルを用いて分子動力学（MD）軌道を生成することは注目を集めている一方で、MDデータの利用可能性が限られていること、ならびに高次元のMD分布をモデル化する際に伴う複雑さのため、本質的に依然として困難です。これらの課題を克服するために、MD軌道生成のための構造事前学習を活用する新しい枠組みを提案します。具体的には、まず大規模なコンフォーマーデータセット上で拡散ベースの構造生成モデルを学習し、その上にMD軌道データで学習された補間器（interpolator）モジュールを導入します。このモジュールは、生成された構造間の時間的整合性を強制することを目的としています。提案手法は、豊富な構造データを効果的に活用してMD軌道データの不足を緩和し、複雑なMDモデリング課題を、扱いやすい2つの下位問題（構造生成と時間整合）へと巧みに分解します。QM9およびDRUGSの小分子データセットに対し、非条件付き生成、前方向シミュレーション、補間タスクの各観点で本手法を包括的に評価し、さらにテトラペプチドおよびタンパク質モノマーの系へと枠組みと分析を拡張します。実験結果は、幾何学的・動力学的・エネルギー的指標における精度の目覚ましい改善によって裏付けられる通り、提案手法が化学的に妥当なMD軌道の生成において優れていることを確認しています。
構造を整える：分子動力学のための構造事前学習による軌道生成
arXiv cs.LG / 2026/4/7
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、限られたMD軌道データと高次元MD分布の複雑さに対処するために、構造事前学習を用いて深層生成モデルによる分子動力学（MD）軌道を生成する枠組みを提案する。
- 大規模なコンフォーマーデータセットで拡散ベースの構造生成モデルを学習し、生成構造間の時間的整合性を強制するためにMD軌道データで学習した補間（インターポレータ）モジュールを追加する。
- この方法は、豊富な構造情報を活用しつつ、時間的制約にMDデータを特に用いることで、MD軌道生成をより扱いやすい2つのサブ問題—構造生成と時間的アラインメント（整列）—に分解する。
- QM9およびDRUGSでの実験では、無条件生成、順方向シミュレーション、補間を評価し、幾何学的・力学的・エネルギー的な精度指標の全てで改善が示される。
- 本枠組みはさらにテトラペプチドおよびタンパク質モノマーの系へ拡張されており、小分子に限らない幅広い適用可能性が示唆される。
