論文の概要: Conditioning Normalizing Flows for Rare Event Sampling

• arxiv url: http://arxiv.org/abs/2207.14530v1
• Date: Fri, 29 Jul 2022 07:56:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 13:30:54.404140
• Title: Conditioning Normalizing Flows for Rare Event Sampling
• Title（参考訳）: 希少イベントサンプリングのための条件付き正規化フロー
• Authors: Sebastian Falkner, Alessandro Coretti, Salvatore Romano, Phillip Geissler, Christoph Dellago
• Abstract要約: 本稿では,ニューラルネットワーク生成構成に基づく遷移経路サンプリング手法を提案する。 これにより遷移領域の熱力学と運動学の両方を解くことができる。
• 参考スコア（独自算出の注目度）: 61.005334495264194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the dynamics of complex molecular processes is often linked to the study of infrequent transitions between long-lived stable states. The standard approach to the sampling of such rare events is to generate an ensemble of transition paths using a random walk in trajectory space. This, however, comes with the drawback of strong correlation between subsequently visited paths and with an intrinsic difficulty in parallelizing the sampling process. We propose a transition path sampling scheme based on neural-network generated configurations. These are obtained employing normalizing flows, a neural network class able to generate decorrelated samples from a given distribution. With this approach, not only are correlations between visited paths removed, but the sampling process becomes easily parallelizable. Moreover, by conditioning the normalizing flow, the sampling of configurations can be steered towards the regions of interest. We show that this allows for resolving both the thermodynamics and kinetics of the transition region.
• Abstract（参考訳）: 複雑な分子過程の力学を理解することは、しばしば長寿命の安定状態の間の頻繁な遷移の研究と結びついている。 このようなまれな事象のサンプリングに対する標準的なアプローチは、軌道空間内のランダムウォークを用いて遷移経路のアンサンブルを生成することである。 しかし、これはその後の訪問経路とサンプリングプロセスの並列化が本質的に困難であったこととの強い相関の欠点を伴っている。 ニューラルネットワーク生成構成に基づく遷移経路サンプリング手法を提案する。 これらは、与えられた分布から復号関連サンプルを生成することができるニューラルネットワーククラスである正規化フローを用いて得られる。 このアプローチでは、訪問経路間の相関が除去されるだけでなく、サンプリングプロセスも容易に並列化できる。 さらに、正規化フローを条件付けすることにより、興味のある領域に向けて構成のサンプリングを行うことができる。 これにより遷移領域の熱力学と運動学の両方を解くことができる。

関連論文リスト

• Harmonic Path Integral Diffusion [0.4527270266697462]
  本稿では,連続多変量確率分布から抽出する新しい手法を提案する。 本手法では,状態空間の起点を中心とするデルタ関数を$t=0$とし,ターゲット分布に$t=1$で変換する。 これらのアルゴリズムは他のサンプリング手法、特にシミュレートおよびパス積分サンプリングと対比し、解析制御、精度、計算効率の点でそれらの利点を強調した。
  論文  参考訳（メタデータ） (2024-09-23T16:20:21Z)
• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Stable generative modeling using Schrödinger bridges [0.22499166814992438]
  本稿では,Schr"odinger BridgesとLangevin dynamicsを組み合わせた生成モデルを提案する。 我々のフレームワークは自然に条件付きサンプルを生成し、ベイズ推論問題に拡張することができる。
  論文  参考訳（メタデータ） (2024-01-09T06:15:45Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• Detecting and Mitigating Mode-Collapse for Flow-based Sampling of Lattice Field Theories [6.222204646855336]
  格子場理論の文脈における正規化流れのモード崩壊の結果について検討する。 本稿では,モード崩壊の度合いを定量化し,その結果の偏りを導出する指標を提案する。
  論文  参考訳（メタデータ） (2023-02-27T19:00:22Z)
• Enhanced Sampling of Configuration and Path Space in a Generalized Ensemble by Shooting Point Exchange [71.49868712710743]
  長寿命状態間の遷移によって引き起こされる稀な事象をシミュレートする新しい手法を提案する。 このスキームは遷移経路サンプリングシミュレーションの効率を大幅に向上させる。 力学を歪ませることなく、分子過程の熱力学、動力学、反応座標に関する情報を得る。
  論文  参考訳（メタデータ） (2023-02-17T08:41:31Z)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)
• Towards Recurrent Autoregressive Flow Models [39.25035894474609]
  本稿では,正規化フローを用いた一般的なプロセスモデリングのための手法として,リカレント自己回帰フローを提案する。 提案手法は, ニューラル接続を繰り返す正規化フローのパラメータを条件付けすることにより, 逐次的過程における各変数の条件分布を定義する。 モデルが3つの複雑なプロセスで訓練される一連の実験を通して、このモデルのクラスの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-17T18:38:36Z)

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。