概览
Equivariant Diffusion Models 是论文 Equivariant Diffusion for Molecule Generation in 3D 的官方代码发布版本。该仓库实现了一种 E(3) 等变扩散模型，称为 EDM，并介绍了用于训练分子生成模型和检查其输出的研究工作流。它是包含训练和评估脚本的模型实现，而不是托管的分子设计服务。
文档介绍的工作流使用 QM9 或 GEOM-Drugs 数据进行训练，随后将已保存的模型目录传入独立脚本，以分析样本质量并可视化分子。对于 GEOM-Drugs，README 指向了额外的数据集准备说明。条件 QM9 生成可接受选定的分子性质，并支持在不同性质取值下进行采样。列出的条件选项为 alpha、gap、homo、lumo、mu 和 Cv。README 还列出了 alpha 的预训练生成器和性质分类器的路径。
另有一个性质预测工作流，用于训练 EGNN 分类器或仅使用节点数量的基线模型，然后在 EDM 生成的样本上评估分类器。这些流程可用于研究生成的分子，但来源摘录没有报告性能结果，也未证明其适用于下游实验用途。资源规划很重要：作者提醒，全连接 EGNN 消息传递可能会占用大量内存，尤其是在 GEOM-Drugs 工作流中。文档称 RDKit 为可选项，而这些摘录无法证明存在完整且经过测试的环境配置。
主要功能
- 为 EDM 在 QM9 和 GEOM-Drugs 上分别提供文档化的训练工作流。
- 训练后脚本可使用已保存的模型目录分析分子样本质量并进行可视化。
- 使用 `alpha`、`gap`、`homo`、`lumo`、`mu` 或 `Cv` 进行条件 QM9 生成，包括在不同性质取值下采样。
- 使用 EGNN 模型或仅基于节点数量的基线训练性质分类器，随后在 EDM 生成的样本上进行评估。
- 提供预训练的 `alpha` 条件生成器及相关预训练性质分类器的文档路径。
使用场景
- 建议的评估：在 QM9 上训练 EDM，并使用文档所述的分析和可视化工作流检查生成的 3D 分子。
- 建议的评估：研究选定的受支持 QM9 性质在不同条件取值下如何影响生成样本。
- 建议的评估：使用文档所述的分类器工作流评估性质条件样本，并研究仅基于节点数量的基线。
- 建议的评估：探索 GEOM-Drugs 生成，同时评估全连接 EGNN 消息传递的内存需求。
使用方式
- 从官方 README开始，并选择 QM9、GEOM-Drugs 或条件 QM9 工作流。使用其提供的示例，不要假定一种配置适用于全部三种工作流。
- 查看软件包设置源文件中声明的依赖项。README 提供了可选的 RDKit 环境说明；这些摘录无法证明存在完整的安装流程。
- 准备所选数据集。对于 GEOM-Drugs，请遵循 README 中对仓库内
data/geom/README.md的引用。此处未提供该文件内容。 - 按照相关训练示例操作，并保留模型输出目录。规划 GEOM-Drugs 运行时，应考虑文档所述的内存警告。
- 使用文档所述的分析和采样脚本，并提供已保存的模型目录。进行条件生成时，选择一种受支持的性质，并遵循性质扫描示例。
- 如需评估条件效果，请遵循分类器训练和生成样本评估示例。将所得测量结果视为你自己的评估，而非本文条目已证实的性能。