Diffusion Tree Sampling for Inference Time Adaptation of Crystal Generative Models

발행일
출처
arXiv
논문 번호
1467
분야
Machine Learning
arXiv 번호
2611.17462

이 논문은 결정 구조 생성 확산 모델을 학습 없이 추론 시점에 몬테카를로 트리 탐색으로 목표 물성에 맞춰 조정하는 방법을 만들었다.

이 논문은 한마디로 확산 모델의 노이즈 제거 과정을 트리 탐색으로 바꿔 안정적 결정 구조와 희귀 공간군, 파레토 프런트 후보를 뽑는 추론 시점 적응 방법을 제안했다. 조건부 생성 모델을 탐색 제안으로 쓰되 중요도 보정으로 목표 분포를 지켰다. 다목적 확장으로 하나의 트리에서 파레토 프런트 전체를 샘플링했다. 모델 가중치를 고친 적 없이 안정성 비율을 올렸다.

핵심 요약

  • 저자들은 확산 모델의 노이즈 제거 궤적을 몬테카를로 트리 탐색의 트리로 보고 보상이 기울어진 분포로 샘플링을 이끄는 DTS 를 결정 구조 생성에 적용했다.
  • 조건부 생성 모델을 탐색 제안으로 쓸 때 중요도 가중치로 보정해 이중 기울어짐 없이 목표 분포를 유지했다.
  • 다목적 확장 MO-DTS 는 목표마다 가치 추정을 따로 두고 탐색마다 선호를 샘플링해 하나의 트리로 파레토 프런트 전체를 뽑는다.
  • MatterGen 실험에서 같은 계산 예산 안에 안정 구조 수가 기준 868 개 대비 최대 1432 개로 늘었고 안정 비율도 68.4% 에서 75.7% 로 올랐다.
  • DiffCSP 실험에서 안정성 비율은 계산 예산 105 에서 107 로 늘릴수록 올라가 추론 시점 확장 효과를 보였다.
  • 한계로, 이 방법은 보상 평가에 사전 학습 예측기를 쓰며 실험적 합성 검증은 별도 과정으로 남아 있다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.

원문 보기 (새 탭에서 열림)