論文の概要: Scalable Boltzmann Generators for equilibrium sampling of large-scale materials
- arxiv url: http://arxiv.org/abs/2509.25486v2
- Date: Wed, 22 Oct 2025 16:24:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:10.632041
- Title: Scalable Boltzmann Generators for equilibrium sampling of large-scale materials
- Title（参考訳）: 大規模材料の平衡サンプリングのためのスケーラブルボルツマン発電機
- Authors: Maximilian Schebek, Frank Noé, Jutta Rogal,
- Abstract要約: 本稿では,材料科学の応用に焦点をあてて,スケーラビリティのボトルネックに対処するボルツマンジェネレータアーキテクチャを提案する。
我々は,局所的な環境情報に基づいて生成プロセスを構築するために,グラフニューラルネットワークと組み合わせた拡張結合流を利用する。
従来のアーキテクチャと比較して、我々のモデルは大幅に高速に訓練し、計算資源をはるかに少なくし、より優れたサンプリング効率を実現する。
我々は、レナード・ジョーンズ結晶、mW水の氷相、シリコンの相図など、いくつかの材料システムに適用することで、アプローチの可能性を示す。
- 参考スコア（独自算出の注目度）: 7.308984085522867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of generative models to sample equilibrium distributions of many-body systems, as first demonstrated by Boltzmann Generators, has attracted substantial interest due to their ability to produce unbiased and uncorrelated samples in `one shot'. Despite their promise and impressive results across the natural sciences, scaling these models to large systems remains a major challenge. In this work, we introduce a Boltzmann Generator architecture that addresses this scalability bottleneck with a focus on applications in materials science. We leverage augmented coupling flows in combination with graph neural networks to base the generation process on local environmental information, while allowing for energy-based training and fast inference. Compared to previous architectures, our model trains significantly faster, requires far less computational resources, and achieves superior sampling efficiencies. Crucially, the architecture is transferable to larger system sizes, which allows for the efficient sampling of materials with simulation cells of unprecedented size. We demonstrate the potential of our approach by applying it to several materials systems, including Lennard-Jones crystals, ice phases of mW water, and the phase diagram of silicon, for system sizes well above one thousand atoms. The trained Boltzmann Generators produce highly accurate equilibrium ensembles for various crystal structures, as well as Helmholtz and Gibbs free energies across a range of system sizes, able to reach scales where finite-size effects become negligible.
- Abstract（参考訳）: ボルツマン・ジェネレータズ(Boltzmann Generators)が最初に示したように、多体系の平衡分布の標本化に生成モデルを用いることは、「1ショット」で非バイアスで非相関なサンプルを生成する能力によって大きな関心を集めている。
これらのモデルを大規模システムにスケールすることは、自然科学全体において有望で印象的な結果であるにもかかわらず、依然として大きな課題である。
本稿では,このスケーラビリティのボトルネックに対処し,材料科学の応用に焦点を当てたボルツマンジェネレータアーキテクチャを提案する。
グラフニューラルネットワークと組み合わせることで,エネルギーベースのトレーニングと高速推論を可能にしながら,局所的な環境情報に基づく生成プロセスを活用する。
従来のアーキテクチャと比較して、我々のモデルは大幅に高速に訓練し、計算資源をはるかに少なくし、より優れたサンプリング効率を実現する。
重要なことに、アーキテクチャはより大きなシステムサイズに転送可能であり、前例のない大きさのシミュレーションセルを持つ材料の効率的なサンプリングを可能にする。
我々は、レナード・ジョーンズ結晶、mW水の氷相、シリコンの相図など、いくつかの材料系に適用することで、アプローチの可能性を実証した。
訓練されたボルツマン・ジェネレータは、様々な結晶構造やヘルムホルツとギブスの自由エネルギーに対して高精度な平衡アンサンブルを生成し、有限サイズの効果が無視できるスケールに達することができる。
関連論文リスト
- Coarse-Grained Boltzmann Generators [2.8880597165704]
本稿では,拡張性のある低次モデリングを重要度サンプリングの精度で統一するフレームワークを提案する。
CG-BGは粗い座標空間で作用し、平均力の学習電位を用いてフローベースモデルによって生成されたサンプルを再重み付けする。
以上の結果から,CG-BGは高度に還元された表現の中で,明示的な溶媒によって媒介される複雑な相互作用を忠実に捉えていることが明らかとなった。
論文 参考訳（メタデータ） (2026-02-11T08:37:13Z) - FALCON: Few-step Accurate Likelihoods for Continuous Flows [78.37361800856583]
本稿では,FALCON(Few-step Accurate Likelihoods for Continuous Flows)を提案する。
FALCONは分子ボルツマンサンプリングのための最先端の正規化フローモデルより優れており、同等の性能を持つCNFモデルよりも2桁高速である。
論文 参考訳（メタデータ） (2025-12-10T18:47:25Z) - Simulation of a Heterogeneous Quantum Network [5.4982962210599355]
量子ネットワークは異質なシステムであり、異なる量子ビットプラットフォーム、光子波長、デバイスボトルネックを組み合わせることが期待されている。
本稿では、量子ネットワークの離散イベントシミュレータであるSeQUeNCeに基づいて、異種量子ネットワークをシミュレーションするためのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-03T19:32:22Z) - Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
ネットワーク化された都市システムは人、資源、サービスのフローを促進する。
グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。
本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
論文 参考訳（メタデータ） (2025-07-31T01:24:01Z) - Solving the Hubbard model with Neural Quantum States [66.55653324211542]
ダッピングされた2次元ハバードモデルに対する最先端結果について検討した。
NQSアンサッツの異なるアテンションヘッドは、異なるスケールで直接相関を符号化することができる。
我々の研究は、マルチフェミオンシステムに挑戦する強力なツールとしてNQSを確立します。
論文 参考訳（メタデータ） (2025-07-03T14:08:25Z) - BoltzNCE: Learning Likelihoods for Boltzmann Generation with Stochastic Interpolants and Noise Contrastive Estimation [1.2874523233023452]
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。
論文 参考訳（メタデータ） (2025-07-01T15:18:28Z) - 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) - RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。
RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。
提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
論文 参考訳（メタデータ） (2024-06-01T13:11:11Z) - Micro-Macro Consistency in Multiscale Modeling: Score-Based Model
Assisted Sampling of Fast/Slow Dynamical Systems [0.0]
物理に基づくマルチ時間動的システムの研究において,サンプリングの高度化のための技術が開発されている。
機械学習の分野では、生成モデルの一般的な目標は、この密度から経験的なサンプルをトレーニングした後、ターゲット密度からサンプリングすることである。
本研究では,SGMをこのような結合フレームワークで利用することにより,マルチスケールな動的システムにおけるサンプリングを改善することができることを示す。
論文 参考訳（メタデータ） (2023-12-10T00:46:37Z) - GANs and Closures: Micro-Macro Consistency in Multiscale Modeling [0.0]
本稿では,物理シミュレーションとバイアス法を併用して,条件分布をサンプリングする手法を提案する。
このフレームワークは, マルチスケールSDE動的システムサンプリングを改善することができることを示すとともに, 複雑性が増大するシステムにも期待できることを示す。
論文 参考訳（メタデータ） (2022-08-23T03:45:39Z) - Macroscopic noise amplification by asymmetric dyads in non-Hermitian
optical systems for generative diffusion models [55.2480439325792]
非対称な非エルミートダイアドは、効率的なセンサーと超高速な乱数発生器の候補である。
このような非対称なダイアドからの集積光放射は、機械学習の全光学的退化拡散モデルに効率的に利用できる。
論文 参考訳（メタデータ） (2022-06-24T10:19:36Z)
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。