論文の概要: Composing diffusion priors with explicit physical context via generative Gibbs sampling

• arxiv url: http://arxiv.org/abs/2605.10642v1
• Date: Mon, 11 May 2026 14:29:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.89778
• Title: Composing diffusion priors with explicit physical context via generative Gibbs sampling
• Title（参考訳）: 生成ギブズサンプリングによる明示的物理的文脈による合成拡散前処理
• Authors: Weizhou Wang, Jonathan Weare, Aaron R. Dinner,
• Abstract要約: 物理知識サンプリングのためのジェネレーティブギブ(GG-PA)について紹介する。 GG-PAは、学習された部分的先行と明示的な物理的文脈の合成を、拡張状態空間における関節目標分布に対する推論として定式化する。 実験により、GG-PAは、部分的に事前学習することなく相互作用するシステムにおいて、文脈依存性の分布変化と創発的な集団的挙動を回復することが示された。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained diffusion models provide powerful learned priors, but in scientific sampling the target distribution often depends on physical context that is not fully represented by one generative model. We introduce Generative Gibbs for Physics-Aware Sampling (GG-PA), a training-free framework that formulates the composition of learned partial priors and explicit physical context as inference over a joint target distribution in an augmented state space. We derive a Gibbs sampler for this joint target, show that it is asymptotically exact as the diffusion time approaches zero, and prove that in settings with quadratic interactions it remains exact at finite diffusion times. We further introduce replica exchange over diffusion time to accelerate mixing. Experiments on a double-well system, a $φ^4$ lattice model, and atomistic peptide systems show that GG-PA recovers context-induced distribution shifts and emergent collective behavior in interacting systems using partial priors without retraining. These results demonstrate GG-PA as a practical approach for combining pretrained generative priors with explicit physical context.
• Abstract（参考訳）: 事前訓練された拡散モデルは、強力な学習先行情報を提供するが、科学的なサンプリングでは、対象の分布は、1つの生成モデルによって完全に表現されない物理的文脈に依存することが多い。 GG-PA(Generative Gibbs for Physics-Aware Sampling, GG-PA)は、学習した部分的前置詞と明示的な物理的文脈の合成を、拡張状態空間における関節目標分布に対する推論として定式化する学習自由フレームワークである。 このジョイントターゲットに対してギブスサンプルを導出し、拡散時間がゼロに近づくにつれて漸近的に正確であることを示し、二次相互作用のある設定では、有限拡散時間において正確であることを証明する。 さらに, 拡散時間によるレプリカ交換を導入し, 混合を加速する。 二重井戸系, φ^4$格子モデル, 原子性ペプチド系の実験により, GG-PAは, 部分的事前学習を伴わない相互作用系において, 文脈依存性の分布変化と創発的集団的挙動を回復することが示された。 これらの結果から、GG-PAは、事前学習した生成前駆体と明示的な物理的文脈を組み合わせるための実践的アプローチであることが示された。

関連論文リスト

• Conditional Diffusion Sampling [34.49400063747567]
  Conditional Diffusion Samplingは並列テンパリングと拡散に基づくアプローチを組み合わせたフレームワークである。 本報告では, 試料品質と密度評価コストのトレードオフが, 最先端の試料装置と比較して優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-05T17:36:29Z)
• Authentic Discrete Diffusion Model [72.31371542619121]
  認証離散拡散(ADD)フレームワークは、従来の擬似離散的アプローチを再定義する。 ADDはフロートエンコードされたワンホットクラスデータを直接使用して拡散入力を再構成する。 実験により、ADDはベースラインと比較して分類タスクにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-10-01T15:51:10Z)
• Adjoint Schrödinger Bridge Sampler [27.07623265593163]
  Adjoint Schr"odinger Bridge Sampler (ASBS) は、シンプルでスケーラブルなマッチングベースの目的を持つ新しい拡散サンプリングである。 ASBSはシュリンガー橋という数学的モデルに基づいており、速度論的・最適輸送によってサンプリング効率を高める。
  論文  参考訳（メタデータ） (2025-06-27T18:27:59Z)
• Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models [50.77646970127369]
  本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。 高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
  論文  参考訳（メタデータ） (2025-06-20T16:38:29Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  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)
• A solvable generative model with a linear, one-step denoiser [0.0]
  本研究では,線形デノイザに基づく解析的抽出可能な単一ステップ拡散モデルを開発し,Kulback-Leibler分散の明示的な公式を示す。 大規模実用拡散モデルでは、拡散段数の増加が生産品質を高める理由を説明する。
  論文  参考訳（メタデータ） (2024-11-26T19:00:01Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)

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。