Arash Vahdat – NVIDIA 技術博客

評估 GenMol 作為用于分子生成的通用基礎模型

Mon, 13 Jan 2025 09:31:41 +0000

傳統的計算藥物研發幾乎完全依賴于高度特定于任務的計算模型來識別命中率和優化潛在客戶。使這些專業模型適應新任務需要大量的時間、計算能力和專業知識，當研究人員同時跨多個目標或屬性開展工作時，這些挑戰就會增加。雖然專業模型仍被廣泛使用，但多面手模型的興起點燃了人們的希望，即這些多功能框架可以獲得有用的化學直覺，這意味著它們可以處理各種藥物研發任務，并發現專業模型往往忽視的解決方案和模式。最近推出的 SAFE-GPT 模型通過引入與藥物化學家的分子設計方法一致的化學直觀框架，代表了 AI 驅動的分子生成的范式轉變。通過使用基于序列連接的片段嵌入 (Sequential Attachment-based Fragment Embedding, SAFE) 表征 (稍后將在本文中介紹)，SAFE-GPT 解決了早期分子生成模型中的關鍵限制，

Source

]]>

使用 DRaFT+增強文本到圖像的微調，現已是 NVIDIA NeMo 的一部分

Fri, 26 Apr 2024 09:12:38 +0000

文本到圖像的 Diffusion 模型已經被建立為基于給定文本的高保真圖像生成的強大方法。然而， Diffusion 模型并不總是在給定的輸入文本和生成的圖像之間實現所需的對齊，尤其是對于現實生活中沒有遇到的復雜的特殊提示。因此，人們對有效地微調 Diffusion 文本到圖像模型以實現即時對齊并最大化文本到圖像評分模型越來越感興趣。直接獎勵微調（DRaFT）是一種簡單而有效的方法，旨在微調 Diffusion 模型，以最大化可微分的獎勵函數，如可微分報酬的直接微調 Diffusion 模型所示。這篇文章解釋了 Diffusion 模型的 DRaFT 方法，以更好地與不同和復雜的提示保持一致。我們還介紹了 DRaFT+，它增強了 DRaFT 方法的能力，并解決了它們的主要缺點。現在，您可以通過訪問 DRaFT+ 算法和示例代碼 NeMo Aligner 庫在…

Source

]]>

改進擴散模型以替代 GANs ，第 2 部分

Tue, 26 Apr 2022 09:23:00 +0000

這是 NVIDIA 研究人員如何改進和加速擴散模型采樣的系列文章的一部分，擴散模型是一種新的、強大的生成模型。 Part 1 介紹了擴散模型作為深層生成模型的一個強大類，并研究了它們在解決生成性學習三重困境中的權衡。雖然擴散模型同時滿足生成性學習三位一體的第一和第二個要求，即高樣本質量和多樣性，但它們缺乏傳統 GAN 的采樣速度。在這篇文章中，我們回顧了 NVIDIA 最近開發的三種技術，它們克服了擴散模型中緩慢采樣的挑戰。擴散模型的采樣速度較慢的主要原因之一是，從簡單的高斯噪聲分布到具有挑戰性的多模態數據分布的映射非常復雜。最近， NVIDIA 推出了基于潛在分數的生成模型（ LSGM ），這是一種新的框架，可以在潛在空間而不是直接在數據空間中訓練擴散模型。在 LSGM 中，我們利用變分自動編碼器（ VAE ）框架將輸入數據映射到一個潛在空間，

Source

]]>

改進擴散模型以替代 GANs ，第 1 部分

Tue, 26 Apr 2022 09:18:00 +0000

這是一系列關于 NVIDIA 研究人員如何改進和加速擴散模型采樣的方法的一部分，擴散模型是一種新穎而強大的生成模型。 Part 2 介紹了克服擴散模型中緩慢采樣挑戰的三種新技術。生成模型是一類機器學習方法，它可以學習所訓練數據的表示形式，并對數據本身進行建模。它們通常基于深層神經網絡。相比之下，判別模型通常預測給定數據的單獨數量。生成模型允許您合成與真實數據不同但看起來同樣真實的新數據。設計師可以在汽車圖像上訓練生成性模型，然后讓生成性人工智能計算出具有不同外觀的新穎汽車，從而加速藝術原型制作過程。深度生成學習已成為機器學習領域的一個重要研究領域，并有許多相關應用。生成模型廣泛用于圖像合成和各種圖像處理任務，如編輯、修復、著色、去模糊和超分辨率。生成性模型有可能簡化攝影師和數字藝術家的工作流程，并實現新水平的創造力。類似地，它們可能允許內容創建者高效地為游戲、

Source

]]>