論文の概要: Evolvable Conditional Diffusion

• arxiv url: http://arxiv.org/abs/2506.13834v1
• Date: Mon, 16 Jun 2025 07:11:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.179964
• Title: Evolvable Conditional Diffusion
• Title（参考訳）: 進化可能な条件拡散
• Authors: Zhao Wei, Chin Chun Ooi, Abhishek Gupta, Jian Cheng Wong, Pao-Hsiung Chiu, Sheares Xue Wen Toh, Yew-Soon Ong,
• Abstract要約: ブラックボックス、非微分可能マルチフィジカルモデルは、生成過程を導くのに効果的に使用できる。 我々は、確率論的進化のレンズを通して、第一原理から進化誘導的なアプローチを導出する。 提案手法を2つのAI for Scienceシナリオで検証する。
• 参考スコア（独自算出の注目度）: 22.614995975820094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents an evolvable conditional diffusion method such that black-box, non-differentiable multi-physics models, as are common in domains like computational fluid dynamics and electromagnetics, can be effectively used for guiding the generative process to facilitate autonomous scientific discovery. We formulate the guidance as an optimization problem where one optimizes for a desired fitness function through updates to the descriptive statistic for the denoising distribution, and derive an evolution-guided approach from first principles through the lens of probabilistic evolution. Interestingly, the final derived update algorithm is analogous to the update as per common gradient-based guided diffusion models, but without ever having to compute any derivatives. We validate our proposed evolvable diffusion algorithm in two AI for Science scenarios: the automated design of fluidic topology and meta-surface. Results demonstrate that this method effectively generates designs that better satisfy specific optimization objectives without reliance on differentiable proxies, providing an effective means of guidance-based diffusion that can capitalize on the wealth of black-box, non-differentiable multi-physics numerical models common across Science.
• Abstract（参考訳）: 本稿では,計算流体力学や電磁学などの領域でよく見られるブラックボックス,非微分可能多物理モデルが,自動科学的発見を促進するための生成過程の導出に有効であるような,進化可能な条件拡散法を提案する。 本稿では, 適応度関数の最適化問題として, 正規化分布に対する記述的統計値の更新により, 所望の適合度関数を最適化し, 第一原理から確率的進化のレンズを通して進化誘導的アプローチを導出する。 興味深いことに、最終派生した更新アルゴリズムは、一般的な勾配に基づく誘導拡散モデルと同様に更新に似ているが、微分を計算する必要がない。 提案した進化可能な拡散アルゴリズムを,流体トポロジの自動設計とメタサーフェスという2つのAI for Scienceシナリオで検証する。 本手法は, 異なるプロキシに依存することなく, 特定の最適化目標を適切に満たす設計を効果的に生成し, 科学的に共通するブラックボックス, 非微分可能多物理数値モデルの富を生かしたガイダンスベース拡散の有効な手段を提供する。

関連論文リスト

• Flow-based generative models as iterative algorithms in probability space [18.701755188870823]
  フローベースの生成モデルは、正確な推定、効率的なサンプリング、決定論的変換を提供する。 本チュートリアルでは,フローベース生成モデルのための直感的な数学的枠組みを提案する。 我々は,信号処理や機械学習にフローベース生成モデルを効果的に適用するために必要なツールを研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-02-19T03:09:18Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
  このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。 PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
  論文  参考訳（メタデータ） (2024-07-18T17:35:32Z)
• Neural Flow Diffusion Models: Learnable Forward Process for Improved Diffusion Modelling [2.1779479916071067]
  より広い範囲のプロセスをサポートすることで拡散モデルを強化する新しいフレームワークを提案する。 また,前処理を学習するための新しいパラメータ化手法を提案する。 結果はNFDMの汎用性と幅広い応用の可能性を評価する。
  論文  参考訳（メタデータ） (2024-04-19T15:10:54Z)
• A Deep Learning Approach for the solution of Probability Density Evolution of Stochastic Systems [0.0]
  DeepPDEMは物理情報ネットワークの概念を用いて確率密度の進化を解く。 DeepPDEMは構造の一般密度進化方程式(GDEE)を学ぶ。 また、最適化スキームやリアルタイム・アプリカ・オプションの任意の点における解の効率的なサロゲートとしても機能する。
  論文  参考訳（メタデータ） (2022-07-05T09:37:48Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)

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。