論文の概要: BoltzNCE: Learning Likelihoods for Boltzmann Generation with Stochastic Interpolants and Noise Contrastive Estimation

• arxiv url: http://arxiv.org/abs/2507.00846v2
• Date: Wed, 02 Jul 2025 01:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.688569
• Title: BoltzNCE: Learning Likelihoods for Boltzmann Generation with Stochastic Interpolants and Noise Contrastive Estimation
• Title（参考訳）: BoltzNCE:確率補間剤を用いたボルツマン生成の学習とノイズコントラスト推定
• Authors: Rishal Aggarwal, Jacky Chen, Nicholas M. Boffi, David Ryan Koes,
• Abstract要約: ボルツマン・ジェネレータは、単純な事前をサンプル確率を用いてボルツマン分布に一致するように再重み付け可能な分布に変換する連続正規化フローを活用することでこの問題に対処する。 ノイズコントラスト推定とスコアマッチングを訓練したエネルギーモデルを用いて,生成した分布の確率を学習することを提案する。 アラニンジペプチド系では, 正確な精度で得られたものと同等のエネルギー分布と自由エネルギー分布が得られることを示した。
• 参考スコア（独自算出の注目度）: 1.2499537119440245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient sampling from the Boltzmann distribution defined by an energy function is a key challenge in modeling physical systems such as molecules. Boltzmann Generators tackle this by leveraging Continuous Normalizing Flows that transform a simple prior into a distribution that can be reweighted to match the Boltzmann distribution using sample likelihoods. However, obtaining likelihoods requires computing costly Jacobians during integration, making it impractical for large molecular systems. To overcome this, we propose learning the likelihood of the generated distribution via an energy-based model trained with noise contrastive estimation and score matching. By using stochastic interpolants to anneal between the prior and generated distributions, we combine both the objective functions to efficiently learn the density function. On the alanine dipeptide system, we demonstrate that our method yields free energy profiles and energy distributions comparable to those obtained with exact likelihoods. Additionally, we show that free energy differences between metastable states can be estimated accurately with orders-of-magnitude speedup.
• Abstract（参考訳）: エネルギー関数によって定義されるボルツマン分布からの効率的なサンプリングは、分子のような物理系をモデル化する上で重要な課題である。 ボルツマン・ジェネレータは、単純な事前をサンプル確率を用いてボルツマン分布に一致するように再重み付け可能な分布に変換する連続正規化フローを活用することでこの問題に対処する。 しかし、確率を得るには、積分中に高価なジャコビアンを必要とするため、大きな分子系では実用的ではない。 これを解決するために,ノイズコントラスト推定とスコアマッチングを訓練したエネルギーベースモデルを用いて,生成した分布の確率を学習することを提案する。 確率補間剤を用いて, 対象関数を組み合わせ, 密度関数を効率的に学習する。 アラニンジペプチド系では, 正確な精度で得られたものと同等のエネルギー分布と自由エネルギー分布が得られることを示した。 さらに, 準安定状態間の自由エネルギー差は, マグニチュード・オブ・マグニチュード・スピードアップによって正確に推定できることを示した。

関連論文リスト

• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [85.83359661628575]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Scalable Equilibrium Sampling with Sequential Boltzmann Generators [60.00515282300297]
  Boltzmannジェネレータフレームワークを2つの重要なコントリビューションで拡張する。 1つ目は、全原子カルテシアン座標で直接動作する非常に効率的なトランスフォーマーベースの正規化フローである。 特に,連続モンテカルロの連続時間変種を用いて,流れサンプルの推論時スケーリングを行う。
  論文  参考訳（メタデータ） (2025-02-25T18:59:13Z)
• Transferable Boltzmann Generators [6.36887173111677]
  化学空間をまたいで移動可能なボルツマン発生器のための第1の枠組みを提案する。 提案アーキテクチャは, 単一分子系で訓練されたボルツマン発生器の効率を向上させる。
  論文  参考訳（メタデータ） (2024-06-20T15:50:12Z)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• Equivariant flow matching [0.9208007322096533]
  等変連続正規化流(CNF)の新しい訓練目標である等変フローマッチングを導入する。 等変流マッチングは、標的エネルギーの物理対称性を利用して、同変CNFの効率的でシミュレーションなしな訓練を行う。 この結果から,同変フローマッチングの対象は,従来の手法に比べて,より短い積分経路,サンプリング効率の向上,スケーラビリティの向上を図っている。
  論文  参考訳（メタデータ） (2023-06-26T19:40:10Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)

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。