論文の概要: Differentiable free energy surface: a variational approach to directly observing rare events using generative deep-learning models

• arxiv url: http://arxiv.org/abs/2604.09769v1
• Date: Fri, 10 Apr 2026 18:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.663821
• Title: Differentiable free energy surface: a variational approach to directly observing rare events using generative deep-learning models
• Title（参考訳）: 微分可能な自由エネルギー表面:生成的深層学習モデルを用いた希少事象を直接観察するための変分的アプローチ
• Authors: Shuo-Hui Li, Chen Chen, Yao-Wen Zhang, Ding Pan,
• Abstract要約: FESを直接モデル化するデータセットフリーフレームワークである変動自由エネルギー面(VaFES)を導入する。 希少なイベントは、生成モデルのワンショットサンプリングを通じて直接生成される構成で、FESから即座に識別することができる。
• 参考スコア（独自算出の注目度）: 4.343338326440084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rare events are central to the evolution of complex many-body systems, characterized as key transitional configurations on the free energy surface (FES). Conventional methods require adequate sampling of rare event transitions to obtain the FES, which is computationally very demanding. Here we introduce the variational free energy surface (VaFES), a dataset-free framework that directly models FESs using tractable-density generative models. Rare events can then be immediately identified from the FES with their configurations generated directly via one-shot sampling of generative models. By extending a coarse-grained collective variable (CV) into its reversible equivalent, VaFES constructs a latent space of intermediate representation in which the CVs explicitly occupy a subset of dimensions. This latent-space construction preserves the physical interpretability and transparent controllability of the CVs by design, while accommodating arbitrary CV formulations. The reversibility makes the system energy exactly accessible, enabling variational optimization of the FES without pre-generated simulation data. A single optimization yields a continuous, differentiable FES together with one-shot generation of rare-event configurations. Our method can reproduce the exact analytical solution for the bistable dimer potential and identify a chignolin native folded state in close alignment with the experimental NMR structure. Our approach thus establishes a scalable, systematic framework for advancing the study of complex statistical systems.
• Abstract（参考訳）: 希少事象は複雑な多体系の進化の中心であり、自由エネルギー表面(FES)上の重要な遷移配置として特徴づけられる。 従来の手法では、計算的に非常に要求されるFESを得るためには、まれな事象遷移の適切なサンプリングが必要である。 本稿では,自由エネルギーの変動面(VaFES)について紹介する。 希少なイベントは、生成モデルのワンショットサンプリングを通じて、その構成を直接生成して、FESから即座に識別することができる。 粗粒状集合変数(CV)を可逆同値に拡張することにより、VaFESは、CVが次元の集合を明示的に占有する中間表現の潜在空間を構築する。 この潜在空間構造は、任意のCV定式化を伴いながら、設計によるCVの物理的解釈可能性と透過的な制御性を保っている。 可逆性はシステムのエネルギーを正確にアクセスしやすくし、事前生成したシミュレーションデータなしでFESの変分最適化を可能にする。 単一の最適化により、連続的で微分可能なFESとレアイベント構成のワンショット生成が得られる。 本手法は,バイスタブル二量体電位の正確な解析解を再現し,実験NMR構造と密に一致したチグノリンネイティブの折り畳み状態を特定する。 これにより,複雑な統計システムの研究を進めるための,スケーラブルで体系的な枠組みが確立される。

関連論文リスト

• Optimal-Transport-Guided Functional Flow Matching for Turbulent Field Generation in Hilbert Space [0.3173969736316818]
  乱流の高忠実度モデリングには複雑な力学と多スケール断続性が必要である。 無限次元関数空間で直接定義される生成フレームワークであるFOT-CFM(Functional Optimal Transport Conditional Flow Matching)を提案する。 FOT-CFMは、最先端のベースラインに比べて高次乱流統計とスペクトルエネルギーの再現において優れた忠実性を達成する。
  論文  参考訳（メタデータ） (2026-04-07T10:53:37Z)
• EFF-Grasp: Energy-Field Flow Matching for Physics-Aware Dexterous Grasp Generation [54.09734511705173]
  EFF-Graspは、物理を意識したデクサラスグリップ生成のためのフローマッチング合成ベースのフレームワークである。 我々は、スムーズな確率フローによる効率的な安定な生成を可能にする決定論的常微分方程式(ODE)プロセスとして、グリップを再構成する。 EFF-Graspは、拡散ベースラインよりもサンプリングステップを著しく少なくしながら、把握品質と物理的実現性において優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-03-17T06:11:56Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Efficient Regression-Based Training of Normalizing Flows for Boltzmann Generators [85.25962679349551]
  ボルツマン・ジェネレータ(BG)は効率的なサンプリングと可能性を提供するが、最大可能性によるトレーニングはしばしば不安定であり、計算的に困難である。 本稿では,従来の最大値トレーニングの数値不安定性と計算課題を回避し,新しい,スケーラブルなトレーニング目標である正規化フローの回帰トレーニングを提案する。
  論文  参考訳（メタデータ） (2025-06-01T20:32:27Z)
• 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)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Consensus-based adaptive sampling and approximation for high-dimensional energy landscapes [6.177038245239759]
  高次元エネルギー景観におけるサロゲート構築のための残差適応サンプリングを用いて位相空間探索を統一するコンセンサスベースのフレームワークを提案する。 我々は、サロゲート近似と残留エンハンスサンプリングの両方を併用するミニマックスとして問題を定式化する。 開発されたフレームワークは、高次元エネルギーランドスケープを持つ複雑なシステムのための効率的なサロゲート構築のための一般的なものである。
  論文  参考訳（メタデータ） (2023-11-08T20:32:27Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)

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。