論文の概要: Learning Boltzmann Generators via Constrained Mass Transport

• arxiv url: http://arxiv.org/abs/2510.18460v1
• Date: Tue, 21 Oct 2025 09:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.328182
• Title: Learning Boltzmann Generators via Constrained Mass Transport
• Title（参考訳）: 制約物質輸送によるボルツマン発電機の学習
• Authors: Christopher von Klitzing, Denis Blessing, Henrik Schopmans, Pascal Friederich, Gerhard Neumann,
• Abstract要約: 本稿では,KLの発散と連続ステップ間のエントロピー減衰の制約下で中間分布を生成する変分フレームワークであるConstrained Mass Transport (CMT)を紹介する。 CMTは、常に最先端の変分法を超越し、モード崩壊を避けつつ、2.5倍以上の有効試料サイズを達成する。
• 参考スコア（独自算出の注目度）: 26.687838638430595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient sampling from high-dimensional and multimodal unnormalized probability distributions is a central challenge in many areas of science and machine learning. We focus on Boltzmann generators (BGs) that aim to sample the Boltzmann distribution of physical systems, such as molecules, at a given temperature. Classical variational approaches that minimize the reverse Kullback-Leibler divergence are prone to mode collapse, while annealing-based methods, commonly using geometric schedules, can suffer from mass teleportation and rely heavily on schedule tuning. We introduce Constrained Mass Transport (CMT), a variational framework that generates intermediate distributions under constraints on both the KL divergence and the entropy decay between successive steps. These constraints enhance distributional overlap, mitigate mass teleportation, and counteract premature convergence. Across standard BG benchmarks and the here introduced ELIL tetrapeptide, the largest system studied to date without access to samples from molecular dynamics, CMT consistently surpasses state-of-the-art variational methods, achieving more than 2.5x higher effective sample size while avoiding mode collapse.
• Abstract（参考訳）: 高次元および多次元非正規化確率分布からの効率的なサンプリングは、科学や機械学習の多くの分野において中心的な課題である。 分子などの物理系のボルツマン分布を所定の温度でサンプリングすることを目的としたボルツマン発生器(BG)に焦点を当てる。 逆のクルバック・リーブラーの発散を最小限に抑える古典的な変分法はモード崩壊を起こしやすいが、アニーリングに基づく手法は幾何的なスケジュールを使い、大量電信に悩まされ、スケジュール調整に大きく依存する。 本稿では,KLの発散と連続ステップ間のエントロピー減衰の制約下で中間分布を生成する変分フレームワークであるConstrained Mass Transport (CMT)を紹介する。 これらの制約は、分布オーバーラップ、質量テレポーテーションの緩和、および早期収束の反作用を促進する。 標準BGベンチマークと、ここで導入されたELILテトラペプチドは、分子動力学のサンプルにアクセスせずにこれまでで最大のシステムであるが、CMTは一貫して最先端の変分法を超越し、モード崩壊を回避しながら2.5倍以上の有効試料サイズを達成した。

関連論文リスト

• 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)
• 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)
• Temperature-Annealed Boltzmann Generators [0.6906005491572401]
  逆クルバック・リーブラー分岐を高温での正規化流の訓練はモード崩壊を伴わずに可能である。 目標温度を下げるために,再重み付けに基づく学習目標を導入する。 最大のシステムにとって、我々のアプローチはシステムの準安定状態を正確に解決する唯一の方法である。
  論文  参考訳（メタデータ） (2025-01-31T12:09:40Z)
• Sequential Controlled Langevin Diffusions [94.82767690147865]
  2つの一般的な方法として,(1) 所定のマルコフ連鎖と再サンプリング工程を通した連続モンテカルロ (SMC) と,(2) 学習された動的輸送を用いる拡散に基づくサンプリング手法が最近開発された。 本稿では,SMC と拡散型サンプリング器を連続的に観察し,経路空間の測度を考慮し,SMC と拡散型サンプリング器を組み合わせるための基本的枠組みを提案する。 これは、従来の拡散のトレーニング予算の10%しか使用しない場合が多いが、これらの手法の利点を活用でき、複数のベンチマーク問題の性能向上に資するSCLD(Sequential Controlled Langevin Diffusion)サンプリング手法の成果である。
  論文  参考訳（メタデータ） (2024-12-10T00:47:10Z)
• Unbalanced Diffusion Schr\"odinger Bridge [71.31485908125435]
  任意の有限質量の辺縁の時間的進化をモデル化する不均衡DSBを導入する。 これは、殺生項を伴う微分方程式の時間反転を導出することで達成される。 本稿では,非バランスなDSBを学習するためのスケーラブルな目的関数を構成する2つの新しいアルゴリズムスキームを提案する。
  論文  参考訳（メタデータ） (2023-06-15T12:51:56Z)

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。