論文の概要: GenPhys: From Physical Processes to Generative Models
- arxiv url: http://arxiv.org/abs/2304.02637v1
- Date: Wed, 5 Apr 2023 17:58:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 11:47:35.284534
- Title: GenPhys: From Physical Processes to Generative Models
- Title（参考訳）: genphys: 物理的プロセスから生成モデルへ
- Authors: Ziming Liu, Di Luo, Yilun Xu, Tommi Jaakkola, Max Tegmark
- Abstract要約: 物理プロセスから生成する汎用モデル(GenPhys)について紹介する。
GenPhys は既存の2つの生成モデル (DM と PFGM) を仮定し、新しい生成モデルファミリーを創り出す。
GenPhysの目標は、生成モデルの設計空間を探索し、拡張することです。
- 参考スコア（独自算出の注目度）: 9.010916309404472
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since diffusion models (DM) and the more recent Poisson flow generative
models (PFGM) are inspired by physical processes, it is reasonable to ask: Can
physical processes offer additional new generative models? We show that the
answer is yes. We introduce a general family, Generative Models from Physical
Processes (GenPhys), where we translate partial differential equations (PDEs)
describing physical processes to generative models. We show that generative
models can be constructed from s-generative PDEs (s for smooth). GenPhys
subsume the two existing generative models (DM and PFGM) and even give rise to
new families of generative models, e.g., "Yukawa Generative Models" inspired
from weak interactions. On the other hand, some physical processes by default
do not belong to the GenPhys family, e.g., the wave equation and the
Schr\"{o}dinger equation, but could be made into the GenPhys family with some
modifications. Our goal with GenPhys is to explore and expand the design space
of generative models.
- Abstract（参考訳）: 拡散モデル(dm)とより最近のポアソンフロー生成モデル(pfgm)は物理的プロセスにインスパイアされているので、疑問に思うのは理にかなっている。
私たちは答えがイエスであることを示します。
我々は、物理過程を記述した偏微分方程式(PDE)を生成モデルに変換する一般的なファミリーである生成モデル(GenPhys)を紹介する。
生成モデルはs生成PDE(s for smooth)から構築可能であることを示す。
GenPhys は、既存の2つの生成モデル (DM と PFGM) を仮定し、弱い相互作用から着想を得た「湯川生成モデル」のような生成モデルの新たなファミリーを生み出す。
一方、デフォルトではいくつかの物理過程はGenPhys族に属しない(例えば波動方程式やSchr\"{o}dinger方程式など)が、いくつかの修正を加えてGenPhys族にすることができる。
GenPhysの目標は、生成モデルの設計空間を探索し、拡張することです。
関連論文リスト
- How Far is Video Generation from World Model: A Physical Law Perspective [101.24278831609249]
OpenAIのSoraは、物理法則に準拠した世界モデルを開発するためのビデオ生成の可能性を強調している。
しかし、ビデオ生成モデルが人間の先行しない視覚データから純粋にそのような法則を発見する能力に疑問を投げかけることができる。
本研究は,3つの主要なシナリオ – 分布内,分布外,一般化 – について評価する。
論文 参考訳（メタデータ） (2024-11-04T18:53:05Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。
本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
論文 参考訳（メタデータ） (2024-08-23T16:24:40Z) - Physics-Inspired Generative Models in Medical Imaging: A Review [5.499670421465509]
物理にインスパイアされた生成モデル(GM)はベイジアン法を強化し、医用画像における優れた有用性を約束する。
画像再構成、画像生成、画像解析を含む医用画像における物理にインスパイアされたGMの主な応用について述べる。
将来の研究の方向性には、物理学にインスパイアされたGMの統合、ビジョン・ランゲージ・モデル(VLM)の統合、GMの新たな応用の可能性などが含まれる。
論文 参考訳（メタデータ） (2024-07-15T16:08:22Z) - Heat Death of Generative Models in Closed-Loop Learning [63.83608300361159]
本研究では、独自の学習データセットに加えて、生成したコンテンツをフィードバックする生成モデルの学習ダイナミクスについて検討する。
各イテレーションで十分な量の外部データが導入されない限り、非自明な温度がモデルを退化させることを示す。
論文 参考訳（メタデータ） (2024-04-02T21:51:39Z) - From Identifiable Causal Representations to Controllable Counterfactual Generation: A Survey on Causal Generative Modeling [17.074858228123706]
基本的な理論、方法論、欠点、データセット、メトリクスに重点を置いています。
フェアネス、プライバシ、アウト・オブ・ディストリビューションの一般化、精密医療、生物科学における因果生成モデルの応用について述べる。
論文 参考訳（メタデータ） (2023-10-17T05:45:32Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳（メタデータ） (2023-06-09T03:04:21Z) - Learning Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。
我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
論文 参考訳（メタデータ） (2023-05-21T04:49:53Z) - MolHF: A Hierarchical Normalizing Flow for Molecular Graph Generation [4.517805235253331]
MolHFは分子グラフを粗い方法で生成する新しい階層型フローベースモデルである。
MolHFは100以上の重原子を持つより大きな分子(ポリマー)をモデル化するための最初のフローベースモデルである。
論文 参考訳（メタデータ） (2023-05-15T08:59:35Z) - MDM: Molecular Diffusion Model for 3D Molecule Generation [19.386468094571725]
既存の拡散に基づく3D分子生成法は、不満足な性能に悩まされる可能性がある。
原子間関係は分子の3次元点雲表現にはない。
提案したモデルは、条件付きタスクと条件付きタスクの両方において、既存のメソッドよりも大幅に優れている。
論文 参考訳（メタデータ） (2022-09-13T03:40:18Z) - Conditional Constrained Graph Variational Autoencoders for Molecule
Design [70.59828655929194]
本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。
分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
論文 参考訳（メタデータ） (2020-09-01T21:58:07Z)
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。