論文の概要: Smooth Normalizing Flows
- arxiv url: http://arxiv.org/abs/2110.00351v1
- Date: Fri, 1 Oct 2021 12:27:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-04 20:26:01.087012
- Title: Smooth Normalizing Flows
- Title(参考訳): 平滑な正規化流れ
- Authors: Jonas K\"ohler, Andreas Kr\"amer, Frank No\'e
- Abstract要約: コンパクト区間とハイパートリの両方に作用する滑らかな混合変換のクラスを導入する。
このような逆関数は、逆関数定理を通じて前方評価から計算可能であることを示す。
このような滑らかな流れの2つの利点は、シミュレーションデータと力のマッチングによるトレーニングが可能であり、分子動力学シミュレーションのポテンシャルとして利用できることである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Normalizing flows are a promising tool for modeling probability distributions
in physical systems. While state-of-the-art flows accurately approximate
distributions and energies, applications in physics additionally require smooth
energies to compute forces and higher-order derivatives. Furthermore, such
densities are often defined on non-trivial topologies. A recent example are
Boltzmann Generators for generating 3D-structures of peptides and small
proteins. These generative models leverage the space of internal coordinates
(dihedrals, angles, and bonds), which is a product of hypertori and compact
intervals. In this work, we introduce a class of smooth mixture transformations
working on both compact intervals and hypertori. Mixture transformations employ
root-finding methods to invert them in practice, which has so far prevented
bi-directional flow training. To this end, we show that parameter gradients and
forces of such inverses can be computed from forward evaluations via the
inverse function theorem. We demonstrate two advantages of such smooth flows:
they allow training by force matching to simulation data and can be used as
potentials in molecular dynamics simulations.
- Abstract(参考訳): 正規化フローは物理系の確率分布をモデル化するための有望なツールである。
最先端の流れは正確に分布とエネルギーを近似するが、物理学の応用は計算力や高次微分に滑らかなエネルギーを必要とする。
さらに、そのような密度はしばしば非自明な位相上で定義される。
最近の例は、ペプチドと小タンパク質の3D構造を生成するボルツマン・ジェネレータである。
これらの生成モデルは、ハイパートリとコンパクト区間の積である内部座標(二面体、角、結合)の空間を利用する。
本研究では,コンパクト区間とハイパートリ領域の両方で動作する滑らかな混合変換のクラスを導入する。
混合変換は、実際にそれらを逆転させるルートフィンディング法を用いており、これまでのところ双方向フロートレーニングを妨げている。
この目的のために,そのような逆関数のパラメータ勾配と力は,逆関数定理を用いて前方評価から計算可能であることを示す。
このような滑らかな流れの2つの利点を実証する: シミュレーションデータと力を合わせることでトレーニングを可能にし、分子動力学シミュレーションのポテンシャルとして使用できる。
関連論文リスト
- Equivariant Flow Matching with Hybrid Probability Transport [69.11915545210393]
拡散モデル (DM) は, 特徴量の多いジオメトリの生成に有効であることを示した。
DMは通常、非効率なサンプリング速度を持つ不安定な確率力学に悩まされる。
等変モデリングと安定化確率力学の両方の利点を享受する幾何フローマッチングを導入する。
論文 参考訳(メタデータ) (2023-12-12T11:13:13Z) - Generating function for projected entangled-pair states [0.1759252234439348]
テンソルネットワークのダイアグラム和に対する生成関数アプローチを拡張した。
一粒子励起の形で、生成関数形式において励起状態が効率的に計算可能であることを示す。
我々は多粒子励起への一般化に関する議論を締めくくった。
論文 参考訳(メタデータ) (2023-07-16T15:49:37Z) - Equivariant flow matching [0.9208007322096533]
等変連続正規化流(CNF)の新しい訓練目標である等変フローマッチングを導入する。
等変流マッチングは、標的エネルギーの物理対称性を利用して、同変CNFの効率的でシミュレーションなしな訓練を行う。
この結果から,同変フローマッチングの対象は,従来の手法に比べて,より短い積分経路,サンプリング効率の向上,スケーラビリティの向上を図っている。
論文 参考訳(メタデータ) (2023-06-26T19:40:10Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳(メタデータ) (2023-06-19T06:02:53Z) - Delving into Discrete Normalizing Flows on SO(3) Manifold for
Probabilistic Rotation Modeling [30.09829541716024]
我々はSO(3)多様体上の新しい正規化フローを提案する。
回転正規化フローは, 条件付きタスクと条件付きタスクの両方において, ベースラインを著しく上回ることを示す。
論文 参考訳(メタデータ) (2023-04-08T06:52:02Z) - Rigid Body Flows for Sampling Molecular Crystal Structures [4.368185344922342]
三次元空間における複数物体の位置と向きをモデル化するための新しいタイプの正規化フローを提案する。
まず、単位四元数群上の滑らかで表現力のある流れを定義し、剛体の連続的な回転運動を捉える。
TIP4P水モデルでは,外部磁場における四面体系の多モード密度と氷XI相の2つの分子例に対してボルツマン発電機を訓練して評価を行った。
論文 参考訳(メタデータ) (2023-01-26T19:07:40Z) - E(n) Equivariant Normalizing Flows for Molecule Generation in 3D [87.12477361140716]
本稿ではユークリッド対称性に同値な生成モデルを紹介する: E(n) 等変正規化フロー(E-NFs)
私たちの知る限りでは、これは3Dで分子を生成する可能性に基づく最初の深層生成モデルである。
論文 参考訳(メタデータ) (2021-05-19T09:28:54Z) - SurVAE Flows: Surjections to Bridge the Gap between VAEs and Flows [78.77808270452974]
SurVAE Flowsは、VAEと正規化フローを含む構成可能な変換のためのモジュラーフレームワークである。
提案手法は,SurVAE フローとして表現できることが示唆された。
論文 参考訳(メタデータ) (2020-07-06T13:13:22Z) - Gaussianization Flows [113.79542218282282]
そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。
この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
論文 参考訳(メタデータ) (2020-03-04T08:15:06Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳(メタデータ) (2019-10-31T02:26:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。