3D 생체 분자 복합체(biomolecular complexes)의 전원자 생성 모델링(All-atom generative modeling)은 단백질 및 단백질-리간드 시스템의 구조를 예측하기 위한 지배적인 패러다임으로 부상했습니다. 그러나 원자 수준의 충실도로 구조를 생성하려면 일반적으로 비용이 많이 드는 반복적인 확산 롤아웃(diffusion rollouts)이 필요하며, 이는 기존의 배포 및 추론 시간 탐색(inference-time search) 기술을 계산적으로 비용이 많이 들게 만듭니다. 본 논문에서는 최첨단 전원자 공동 접힘(all-atom cofolding) 모델을 단 몇 번의 추론 단계만으로 고품질 샘플을 생성하는 전원자 flow map으로 증류(distilling)하기 위한 Denoiser Cofolding All-Atom Flowmap (DeCAF) 프레임워크를 소개합니다. 우리는 SE(3) 강체 정렬(rigid alignment)을 자연스럽게 지원하는 종단점 손실(endpoint losses)을 가진 디노이저 기반의 flow map 공식 위에 DeCAF를 구축하였으며, 이것이 정확한 모델을 학습시키는 데 결정적임을 보여줍니다. 나아가 우리는 DeCAF가 EDM 스타일 아키텍처의 $\sigma$-공간 노이즈 스케줄($\sigma$-space noise schedule)에서 작동할 수 있게 하는 간단한 변수 변환(change of variables)을 유도하여, 사전 학습된 공동 접힘 확산 모델로부터 직접적인 증류를 가능하게 합니다. DeCAF의 flowmap lookahead 기능을 갖춘 우리는 보상 가이드 탐색(reward-guided search)을 통해 샘플링을 개선하는 목적 맞춤형 추론 프레임워크를 도입합니다. 실증적으로, DeCAF-Boltz는 까다로운 Runs N' Poses 데이터셋에서 엄격한 NFE 예산 하에 단백질-리간드 포즈의 정확도(RMSD)와 물리적 타당성 점수 모두에서 Boltz-1x보다 통계적으로 개선되었으며, PoseBusters의 모든 추론 계산 예산에 걸쳐 더 최적화된 파레토 프런티어(Pareto frontier)를 보여줍니다. 최첨단 Pearl 공동 접힘 모델을 증류한 DeCAF-Pearl은 확산 기반 공동 접힘 모델보다 성능이 뛰어나며, 5배 적은 NFE를 사용하면서도 성공률 면에서 교사 모델(teacher model)과 대등한 성능을 보입니다. 우리는 코드를 https://github.com/genesistherapeutics/decaf 에서 공개합니다.