論文の概要: Coarse-Grained Boltzmann Generators

• arxiv url: http://arxiv.org/abs/2602.10637v1
• Date: Wed, 11 Feb 2026 08:37:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.597882
• Title: Coarse-Grained Boltzmann Generators
• Title（参考訳）: 粗粒ボルツマン発電機
• Authors: Weilong Chen, Bojun Zhao, Jan Eckwert, Julija Zavadlav,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.8880597165704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling equilibrium molecular configurations from the Boltzmann distribution is a longstanding challenge. Boltzmann Generators (BGs) address this by combining exact-likelihood generative models with importance sampling, but their practical scalability is limited. Meanwhile, coarse-grained surrogates enable the modeling of larger systems by reducing effective dimensionality, yet often lack the reweighting process required to ensure asymptotically correct statistics. In this work, we propose Coarse-Grained Boltzmann Generators (CG-BGs), a principled framework that unifies scalable reduced-order modeling with the exactness of importance sampling. CG-BGs act in a coarse-grained coordinate space, using a learned potential of mean force (PMF) to reweight samples generated by a flow-based model. Crucially, we show that this PMF can be efficiently learned from rapidly converged data via force matching. Our results demonstrate that CG-BGs faithfully capture complex interactions mediated by explicit solvent within highly reduced representations, establishing a scalable pathway for the unbiased sampling of larger molecular systems.
• Abstract（参考訳）: ボルツマン分布から平衡分子配置をサンプリングすることは長年の課題である。 ボルツマン・ジェネレータ(BG)は、正確な類似生成モデルと重要なサンプリングを組み合わせることでこの問題に対処するが、実用的スケーラビリティは限られている。 一方、粗粒のサロゲートは、有効次元を減らし、より大きなシステムのモデリングを可能にするが、漸近的に正しい統計を保証するのに必要な重み付けプロセスは欠如していることが多い。 本研究では,大規模縮小次数モデリングを重要サンプリングの精度で統一する原理的フレームワークであるCarse-Grained Boltzmann Generators (CG-BGs)を提案する。 CG-BGは粗い座標空間で作用し、平均力(PMF)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。 重要なことは、このPMFは力のマッチングによって高速に収束したデータから効率的に学習できることである。 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,大規模分子系の非偏平サンプリングのためのスケーラブルな経路を確立した。

関連論文リスト

• 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)
• Enhanced Sampling for Efficient Learning of Coarse-Grained Machine Learning Potentials [2.8355616606687506]
  我々は、データ生成の自由度に偏りを生じさせ、非偏りのあるポテンシャルに関して力を再計算する。 この戦略は、平衡データを生成するのに必要なシミュレーション時間を同時に短縮し、正しいPMFを保ちながら、遷移領域におけるサンプリングを強化する。 本研究は,CGの精度と信頼性を向上させるために,力マッチングのための改良されたサンプリングを有望な方向として活用することを支援する。
  論文  参考訳（メタデータ） (2025-10-13T08:40:13Z)
• Torsional-GFN: a conditional conformation generator for small molecules [75.91029322687771]
  ボルツマン分布に比例して分子の配座をサンプリングするために特別に設計された条件付きGFlowNetを導入する。 我々の研究は、提案したアプローチをより大きな分子系に拡張するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-07-15T21:53:25Z)
• 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)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• 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)
• 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)

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。