Fugu-MT 論文翻訳(概要): Generative Diffusion Models for Lattice Field Theory

論文の概要: Generative Diffusion Models for Lattice Field Theory

arxiv url: http://arxiv.org/abs/2311.03578v1
Date: Mon, 6 Nov 2023 22:24:28 GMT
ステータス: 処理完了
システム内更新日: 2023-11-08 17:41:21.483535
Title: Generative Diffusion Models for Lattice Field Theory
Title（参考訳）: 格子場理論のための生成拡散モデル
Authors: Lingxiao Wang, Gert Aarts and Kai Zhou
Abstract要約: 本研究は、生成拡散モデル(DM)と量子化を結びつけることによって、機械学習と格子場理論の関連性について考察する。 DMはランゲヴィン方程式によって駆動される過程を逆転させ,初期分布からサンプルを生成し,対象分布を近似することによって概念化可能であることを示す。
参考スコア（独自算出の注目度）: 8.116039964888353
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study delves into the connection between machine learning and lattice field theory by linking generative diffusion models (DMs) with stochastic quantization, from a stochastic differential equation perspective. We show that DMs can be conceptualized by reversing a stochastic process driven by the Langevin equation, which then produces samples from an initial distribution to approximate the target distribution. In a toy model, we highlight the capability of DMs to learn effective actions. Furthermore, we demonstrate its feasibility to act as a global sampler for generating configurations in the two-dimensional $\phi^4$ quantum lattice field theory.
Abstract（参考訳）: 本研究では, 確率微分方程式の観点から生成拡散モデル(dms)と確率量子化を結びつけ, 機械学習と格子場理論の関係を考察する。本稿では,Langevin方程式によって駆動される確率過程を逆転させて,初期分布からサンプルを生成し,対象分布を近似することにより,DMを概念化できることを示す。玩具モデルでは,DMが効果的な行動を学ぶ能力を強調している。さらに、2次元の$\phi^4$量子格子場理論における構成を生成するためのグローバルサンプリングとして機能する可能性を示した。

関連論文リスト

Bellman Diffusion: Generative Modeling as Learning a Linear Operator in the Distribution Space [72.52365911990935]
本稿では,MDPの線形性を維持する新しいDGMフレームワークであるBellman Diffusionを紹介する。この結果から,ベルマン拡散は分布RLタスクにおける従来のヒストグラムベースベースラインよりも1.5倍高速に収束し,精度の高い画像生成装置であることがわかった。
論文参考訳（メタデータ） (2024-10-02T17:53:23Z)
Discrete generative diffusion models without stochastic differential equations: a tensor network approach [1.5839621757142595]
拡散モデル(DM)は、生成機械学習の手法のクラスである。ネットワーク(TN)を用いて,このような離散モデルを効率的に定義し,サンプリングする方法を示す。」
論文参考訳（メタデータ） (2024-07-15T18:00:11Z)
Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
論文参考訳（メタデータ） (2024-03-03T23:15:48Z)
Convergence Analysis of Discrete Diffusion Model: Exact Implementation through Uniformization [17.535229185525353]
連続マルコフ連鎖の均一化を利用したアルゴリズムを導入し、ランダムな時間点の遷移を実装した。我々の結果は、$mathbbRd$における拡散モデルの最先端の成果と一致し、さらに$mathbbRd$設定と比較して離散拡散モデルの利点を浮き彫りにする。
論文参考訳（メタデータ） (2024-02-12T22:26:52Z)
Diffusion Models as Stochastic Quantization in Lattice Field Theory [7.221319972004889]
生成拡散モデル(DM)と量子化(SQ)の直接接続を確立する。 DMは、ランゲヴィン方程式によって予測された過程の逆転を近似し、先行分布からサンプルを生成し、対象分布を効果的に模倣することにより実現される。我々は,マルコフ連鎖における自己相関時間,特に標準マルコフ連鎖モンテカルロアルゴリズムが臨界減速を経験する臨界領域において,DMが顕著に減少することを示した。
論文参考訳（メタデータ） (2023-09-29T09:26:59Z)
A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文参考訳（メタデータ） (2023-05-31T15:33:16Z)
Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
論文参考訳（メタデータ） (2023-05-29T04:22:57Z)
An optimal control perspective on diffusion-based generative modeling [9.806130366152194]
微分方程式(SDE)に基づく最適制御と生成モデルとの接続を確立する。特にハミルトン・ヤコビ・ベルマン方程式を導出し、基礎となるSDE限界の対数密度の進化を制御している。非正規化密度から抽出する新しい拡散法を開発した。
論文参考訳（メタデータ） (2022-11-02T17:59:09Z)
Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文参考訳（メタデータ） (2022-10-11T15:53:52Z)
Super-model ecosystem: A domain-adaptation perspective [101.76769818069072]
本稿では,ドメイン適応による新たなスーパーモデルパラダイムの理論的基礎を確立することを試みる。スーパーモデルパラダイムは、計算とデータコストと二酸化炭素排出量を減らすのに役立つ。
論文参考訳（メタデータ） (2022-08-30T09:09:43Z)

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。