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

• arxiv url: http://arxiv.org/abs/2507.00846v3
• Date: Wed, 15 Oct 2025 18:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 18:56:32.51563
• 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: ボルツマン分布からの効率的なサンプリングは、分子のような複雑な物理系をモデル化する上で重要な課題である。 我々は、ノイズコントラスト推定(NCE)とスコアマッチングの両方を用いて、エネルギーベースモデル(EBM)を訓練する。 また,提案手法では,実効的な転送学習を行い,推論時に新しいシステムに一般化し,標準MDよりも少なくとも6倍の高速化を実現している。
• 参考スコア（独自算出の注目度）: 1.2874523233023452
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient sampling from the Boltzmann distribution given its energy function is a key challenge for modeling complex physical systems such as molecules. Boltzmann Generators address this problem by leveraging continuous normalizing flows to transform a simple prior into a distribution that can be reweighted to match the target using sample likelihoods. Despite the elegance of this approach, obtaining these likelihoods requires computing costly Jacobians during integration, which is impractical for large molecular systems. To overcome this difficulty, we train an energy-based model (EBM) to approximate likelihoods using both noise contrastive estimation (NCE) and score matching, which we show outperforms the use of either objective in isolation. On 2d synthetic systems where failure can be easily visualized, NCE improves mode weighting relative to score matching alone. On alanine dipeptide, our method yields free energy profiles and energy distributions that closely match those obtained using exact likelihoods while achieving $100\times$ faster inference. By training on multiple dipeptide systems, we show that our approach also exhibits effective transfer learning, generalizing to new systems at inference time and achieving at least a $6\times$ speedup over standard MD. While many recent efforts in generative modeling have prioritized models with fast sampling, our work demonstrates the design of models with accelerated likelihoods, enabling the application of reweighting schemes that ensure unbiased Boltzmann statistics at scale. Our code is available at https://github.com/RishalAggarwal/BoltzNCE.
• Abstract（参考訳）: エネルギー関数が与えられたボルツマン分布からの効率的なサンプリングは、分子のような複雑な物理系をモデル化する上で重要な課題である。 ボルツマン発生器は連続正規化フローを利用してこの問題に対処し、単純な事前をサンプル確率を用いてターゲットにマッチするように再重み付けできる分布に変換する。 このアプローチのエレガントさにもかかわらず、これらの可能性を得るためには、大規模な分子系では実用的ではない、統合中に高価なヤコビアンを計算する必要がある。 この難しさを克服するために、ノイズコントラスト推定(NCE)とスコアマッチングの両方を用いて、エネルギーベースモデル(EBM)を訓練し、どちらの目的を単独で使うにも優れることを示す。 故障の可視化が容易な2次元合成システムでは、NCEはスコアマッチングのみと比較してモード重み付けを改善する。 アラニンジペプチドでは, エネルギー分布と自由エネルギー分布を推定し, 正確な確率で得られた値と密に一致し, より高速な推定で100\times$100\timesを達成した。 提案手法は,複数のジペプチド系をトレーニングすることにより,効率的な伝達学習,推論時の新しい系への一般化,および標準MDよりも少なくとも6\times$のスピードアップを実現していることを示す。 生成モデリングにおける最近の多くの取り組みは、高速サンプリングによるモデルの設計を優先してきたが、我々の研究は、加速された可能性を持つモデルの設計を実証し、大規模なボルツマン統計の偏りを確実にする再重み付けスキームの適用を可能にした。 私たちのコードはhttps://github.com/RishalAggarwal/BoltzNCEで公開されています。

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)
• Potential Score Matching: Debiasing Molecular Structure Sampling with Potential Energy Guidance [11.562962976129292]
  本稿では、ポテンシャルエネルギー勾配を利用して生成モデルを導出する手法として、ポテンシャルスコアマッチング(PSM)を提案する。 PSMは正確なエネルギー関数を必要とせず、限られた偏りのデータで訓練してもサンプル分布を偏りなくすることができる。 PSMにより生成された分子分布は従来の拡散モデルよりもボルツマン分布に近似していることを示す。
  論文  参考訳（メタデータ） (2025-03-18T11:27:28Z)
• 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)
• Flow Perturbation to Accelerate Unbiased Sampling of Boltzmann distribution [2.103187931015573]
  フローベース生成モデルはボルツマン分布のサンプリングに用いられているが、その応用は流れのジャコビアンを得る計算コストによって妨げられている。 本稿では,最適化された摂動を流れに組み込む流れ摂動法を提案する。 摂動流によって生じる軌跡を再重み付けすることにより,ボルツマン分布の非バイアスサンプリングを桁違いの速度アップで達成する。
  論文  参考訳（メタデータ） (2024-07-15T12:29:17Z)
• 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)
• 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)
• 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)
• Generative Semantic Hashing Enhanced via Boltzmann Machines [61.688380278649056]
  既存の生成ハッシュ法は、主に後部分布の分解形式を仮定する。 本稿では,ボルツマンマシンの分布を検索後部として利用することを提案する。 ハッシュコード内の異なるビット間の相関関係を効果的にモデル化することにより、我々のモデルは大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2020-06-16T01:23:39Z)

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。