文章目录
关键词:Diffusion Models
一、说明
谷歌的 AlphaFold 3 因其彻底改变生物技术的潜力而受到广泛关注。与以前的方法相比,导致其性能提升的关键创新之一是它利用了扩散模型。AlphaFold 3 的功能来自其下一代架构和训练,现在涵盖了所有生命分子。该模型的核心是我们的 Evoformer 模块的改进版本——一种深度学习架构,支撑了 AlphaFold 2 令人难以置信的性能。在处理输入后,AlphaFold 3 使用扩散网络组装其预测,类似于 AI 图像生成器中的预测。扩散过程从一团原子开始,经过许多步骤,汇聚到其最终的、最准确的分子结构上。
AlphaFold 3 对分子相互作用的预测超过了所有现有系统的准确性。作为一个以整体方式计算整个分子复合物的单一模型,它能够独特地统一科学见解。
在我们等待最终出版物的同时,我认为这将是研究扩散模型以及它们如何在几个不同领域突破界限的好时机。
本文主要分为两个“部分”。第一部分介绍了 Diffusion 的背景——
什么是机器学习中的扩散模型:扩散模型是生成模型(它们生成的数据与训练的数据相似)。 扩散模型遵循 2 个简单的步骤。首先,我们通过增量添加高斯噪声来破坏训练数据。训练包括通过逆转这个嘈杂的过程来恢复数据。一个训练有素的扩散模型可以从随机噪声池中创建我们想要的任何东西。用嵌入空间代替噪音,你可能会明白我们为什么在这里做饭。