論文の概要: Doob's Lagrangian: A Sample-Efficient Variational Approach to Transition Path Sampling

• arxiv url: http://arxiv.org/abs/2410.07974v3
• Date: Thu, 14 Nov 2024 12:51:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:22:43.509490
• Title: Doob's Lagrangian: A Sample-Efficient Variational Approach to Transition Path Sampling
• Title（参考訳）: Doob's Lagrangian: トランジッションパスサンプリングのためのサンプル効率の良い変分アプローチ
• Authors: Yuanqi Du, Michael Plainer, Rob Brekelmans, Chenru Duan, Frank Noé, Carla P. Gomes, Alán Aspuru-Guzik, Kirill Neklyudov,
• Abstract要約: 与えられた始点と所望の終点の間の軌跡に対する最適化問題として,Doobのh-変換の変分定式化を提案する。 提案手法は,軌道上の探索空間を大幅に削減し,高価な軌道シミュレーションを回避する。 実世界の分子シミュレーションとタンパク質折り畳みタスクにおいて,本手法が実現可能な遷移経路を見つける能力を示す。
• 参考スコア（独自算出の注目度）: 34.853443523585604
• License:
• Abstract: Rare event sampling in dynamical systems is a fundamental problem arising in the natural sciences, which poses significant computational challenges due to an exponentially large space of trajectories. For settings where the dynamical system of interest follows a Brownian motion with known drift, the question of conditioning the process to reach a given endpoint or desired rare event is definitively answered by Doob's h-transform. However, the naive estimation of this transform is infeasible, as it requires simulating sufficiently many forward trajectories to estimate rare event probabilities. In this work, we propose a variational formulation of Doob's h-transform as an optimization problem over trajectories between a given initial point and the desired ending point. To solve this optimization, we propose a simulation-free training objective with a model parameterization that imposes the desired boundary conditions by design. Our approach significantly reduces the search space over trajectories and avoids expensive trajectory simulation and inefficient importance sampling estimators which are required in existing methods. We demonstrate the ability of our method to find feasible transition paths on real-world molecular simulation and protein folding tasks.
• Abstract（参考訳）: 力学系における希少事象のサンプリングは、自然科学における基本的な問題であり、指数的に大きな軌道の空間のために計算上の問題を引き起こす。 興味のある力学系が既知のドリフトを持つブラウン運動に従うような場合、与えられた終点や所望の稀な事象に到達させる過程を条件付けるという問題は、Doobのh-変換によって決定的に答えられる。 しかし、この変換の単純な推定は、稀な事象の確率を推定するために十分な多くの前方軌道をシミュレートする必要があるため、実現不可能である。 本研究では,与えられた始点と所望の終点の間の軌道上の最適化問題として,Doobのh-変換の変分定式化を提案する。 この最適化のために,設計により所望の境界条件を課すモデルパラメータ化を用いたシミュレーション不要な学習目標を提案する。 提案手法はトラジェクトリ上での探索空間を大幅に削減し,既存の手法で必要とされる高価なトラジェクトリシミュレーションと非効率な重要度サンプリング推定器を回避する。 実世界の分子シミュレーションとタンパク質折り畳みタスクにおいて,本手法が実現可能な遷移経路を見つける能力を示す。

関連論文リスト

• Simulating the Schwinger Model with a Regularized Variational Quantum Imaginary Time Evolution [9.615119990353087]
  シュウィンガーモデルは、量子色力学において非摂動アルゴリズムをテストするためのベンチマークとして機能する。 古典的アルゴリズムは「符号問題」のようなシュウィンガーモデルをシミュレートする際に問題に遭遇する
  論文  参考訳（メタデータ） (2024-09-20T13:51:48Z)
• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• 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)
• Surrogate Neural Networks for Efficient Simulation-based Trajectory Planning Optimization [28.292234483886947]
  本稿では、ニューラルネットワークの形で代理モデルを用いて、参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。 提案手法は,従来よりも74%優れた参照軌道が得られており,計算時間が大幅に短縮されることが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-30T15:44:30Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
  本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。 提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。 大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
  論文  参考訳（メタデータ） (2022-11-02T14:35:13Z)
• Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value Functions [65.84090965167535]
  本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。 このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
  論文  参考訳（メタデータ） (2022-06-29T18:47:05Z)
• Neural Lagrangian Schr\"odinger bridge [25.157282476221482]
  連続正規化流(CNF)と動的最適輸送を用いた人口動態について検討した。 ラグランジアン・シュル・オーディンガー橋(LSB)問題を定式化し、正規化を伴うニューラルSDEを用いて解くことを提案する。 LSB問題に対する我々の解法は,人口レベルでのダイナミクスを近似できることを示す。
  論文  参考訳（メタデータ） (2022-04-11T03:32:17Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Error-Correcting Neural Networks for Semi-Lagrangian Advection in the Level-Set Method [0.0]
  本稿では,画像超解像技術とスカラートランスポートを融合した機械学習フレームワークを提案する。 我々は,インターフェースの粗いメッシュ進化における数値粘度を最小化するために,オンザフライデータ駆動補正を計算できるかどうかを検討する。
  論文  参考訳（メタデータ） (2021-10-22T06:36:15Z)

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。