論文の概要: Amortized Sampling with Transferable Normalizing Flows

• arxiv url: http://arxiv.org/abs/2508.18175v1
• Date: Mon, 25 Aug 2025 16:28:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.86145
• Title: Amortized Sampling with Transferable Normalizing Flows
• Title（参考訳）: 並進型正規化流を用いたアモルタイズサンプリング
• Authors: Charlie B. Tan, Majdi Hassan, Leon Klein, Saifuddin Syed, Dominique Beaini, Michael M. Bronstein, Alexander Tong, Kirill Neklyudov,
• Abstract要約: プロス(英: Prose)は、ペプチド分子動力学のコーパスで訓練された、最大8個の残基の移動可能な正規化フローである。 本稿では, Prose が様々なサンプリングアルゴリズムの提案であることを示す。 我々はProseデータセットをオープンソース化し、償却されたサンプリング手法と微調整目的の研究をさらに促進する。
• 参考スコア（独自算出の注目度）: 65.48838168417564
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient equilibrium sampling of molecular conformations remains a core challenge in computational chemistry and statistical inference. Classical approaches such as molecular dynamics or Markov chain Monte Carlo inherently lack amortization; the computational cost of sampling must be paid in-full for each system of interest. The widespread success of generative models has inspired interest into overcoming this limitation through learning sampling algorithms. Despite performing on par with conventional methods when trained on a single system, learned samplers have so far demonstrated limited ability to transfer across systems. We prove that deep learning enables the design of scalable and transferable samplers by introducing Prose, a 280 million parameter all-atom transferable normalizing flow trained on a corpus of peptide molecular dynamics trajectories up to 8 residues in length. Prose draws zero-shot uncorrelated proposal samples for arbitrary peptide systems, achieving the previously intractable transferability across sequence length, whilst retaining the efficient likelihood evaluation of normalizing flows. Through extensive empirical evaluation we demonstrate the efficacy of Prose as a proposal for a variety of sampling algorithms, finding a simple importance sampling-based finetuning procedure to achieve superior performance to established methods such as sequential Monte Carlo on unseen tetrapeptides. We open-source the Prose codebase, model weights, and training dataset, to further stimulate research into amortized sampling methods and finetuning objectives.
• Abstract（参考訳）: 分子配座の効率的な平衡サンプリングは、計算化学と統計的推論における中心的な課題である。 分子動力学やマルコフ連鎖モンテカルロのような古典的なアプローチは本質的に非道徳化を欠いている。 生成モデルの広範な成功は、サンプリングアルゴリズムの学習を通じて、この制限を克服することへの関心を喚起した。 単一のシステムでトレーニングされた場合、従来の方法と同等のパフォーマンスを示したにもかかわらず、学習されたサンプルはシステム間での転送能力に制限があることをこれまで証明してきた。 2億8000万のパラメータを持つ全原子移動型正規化フローであるProseを,ペプチド分子動力学のコーパスで最大8個の残基で学習することにより,スケーラブルで移動可能なサンプリング器の設計を可能にすることを実証した。 Proseは、任意のペプチド系に対してゼロショット非相関な提案サンプルを描画し、配列の長さをまたいで従来は難解な転送性を達成すると同時に、正規化フローの効率的な評価を保っている。 様々なサンプリングアルゴリズムの提案として, Proseの有効性を実証し, モンテカルロのシーケンシャルなテトラペプチドの合成法に優れた性能を発揮するための, 簡易なサンプリングベースファインタニング法を提案する。 Proseのコードベース、モデルウェイト、トレーニングデータセットをオープンソースとして公開し、償却されたサンプリング手法と微調整目的の研究をさらに促進します。

関連論文リスト

• FORT: Forward-Only Regression Training of Normalizing Flows [85.66894616735752]
  我々は,古典正規化フローを,精度の高い一段階生成モデルとして再考する。 本稿では,従来の最大度学習で用いられる可変式の変更を計算する必要のない,スケーラブルな学習目標を提案する。
  論文  参考訳（メタデータ） (2025-06-01T20:32:27Z)
• Adjoint Sampling: Highly Scalable Diffusion Samplers via Adjoint Matching [33.9461078261722]
  非正規化密度からの拡散過程を学習するための,高度にスケーラブルで効率的なアルゴリズムであるAdjoint Samplingを導入する。 カルテジアンおよびねじり座標の両方の分子をモデル化するために、鍵対称性と周期境界条件を組み込む方法を示す。 本稿では,古典的エネルギー関数の広範な実験を通じて提案手法の有効性を実証し,さらにニューラルネットワークに基づくエネルギーモデルまで拡張する。
  論文  参考訳（メタデータ） (2025-04-16T02:20:06Z)
• Neural Flow Samplers with Shortcut Models [19.81513273510523]
  連続フローベースのニューラルサンプリングは、非正規化された密度からサンプルを生成するための有望なアプローチを提供する。 速度駆動型Sequential Monte Carlo法を用いて,これらの課題量に対する改良された推定器を提案する。 提案するニューラルフローショートカットサンプリングは,合成データセットと複雑なnボディシステムターゲットの両方において,既存のフローベースニューラルサンプリングよりも経験的に優れている。
  論文  参考訳（メタデータ） (2025-02-11T07:55:41Z)
• Adaptive teachers for amortized samplers [76.88721198565861]
  そこで,本研究では,初等無罪化標本作成者(学生)の指導を指導する適応的学習分布(教師)を提案する。 本研究では, この手法の有効性を, 探索課題の提示を目的とした合成環境において検証する。
  論文  参考訳（メタデータ） (2024-10-02T11:33:13Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)
• Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
  高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。 分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
  論文  参考訳（メタデータ） (2020-02-21T14:03:16Z)
• Stochastic Normalizing Flows [2.323220706791067]
  単純な事前分布の変換を学習するために,フローの正規化が有効であることを示す。 サンプルとフローパラメータの両方をエンドツーエンドに最適化できる効率的なトレーニング手順を導出する。 いくつかのベンチマークでSNFの表現力,サンプリング効率,正当性について述べる。
  論文  参考訳（メタデータ） (2020-02-16T23:29:32Z)

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。