Effiziente 3D‑Molekülgenerierung: Skalierbare Diffusionsmodelle lösen Engpässe

Diffusionsmodelle haben sich als leistungsstarke Werkzeuge für die molekulare Gestaltung etabliert, indem sie komplexe strukturelle Verteilungen erfassen und hochpräzise 3‑D‑Moleküle erzeugen. Ihre breite Anwendung wird jedoch durch lange Sampling‑Trajektorien, stochastische Varianz im Rückwärtsprozess und begrenzte strukturelle Sensibilität der Denoising‑Dynamik eingeschränkt.

Der Directly Denoising Diffusion Model (DDDM) reduziert diese Ineffizienzen, indem er die stochastischen MCMC‑Updates durch deterministische Denoising‑Schritte ersetzt und damit die Inferenzzeit drastisch verkürzt. Die theoretischen Grundlagen dieser deterministischen Updates blieben jedoch bislang unklar.

In der vorliegenden Arbeit wird DDDM durch die Reverse Transition Kernel (RTK)-Rahmenstruktur von Huang et al. (2024) neu interpretiert. Durch die Darstellung des DDDM‑Rückwärtsprozesses als approximativen Kernel‑Operator wird gezeigt, dass das direkte Denoising implizit eine strukturierte Transportkarte zwischen verrauschten und sauberen Proben optimiert. Diese Sichtweise erklärt, warum deterministisches Denoising eine effiziente Inferenz ermöglicht und löst gleichzeitig mehrere langjährige Engpässe: sie gewährleistet numerische Stabilität, eliminiert stochastische Varianz für konsistentere Samples und erlaubt skalierbare, SE(3)-equivariante Denoiser, die die Symmetrie der Moleküle respektieren.

Empirische Ergebnisse bestätigen die theoretischen Erkenntnisse: DDDM unter der RTK‑Perspektive erzielt deutlich schnellere Inferenzzeiten, höhere Stabilität und eine verbesserte Beibehaltung der Molekülsymmetrie im Vergleich zu herkömmlichen stochastischen Diffusionsmodellen.