論文の概要: MetaDNS: Enhancing Exploration in Discrete Neural Samplers via Well-Tempered Metadynamics

• arxiv url: http://arxiv.org/abs/2605.21722v1
• Date: Wed, 20 May 2026 20:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.488434
• Title: MetaDNS: Enhancing Exploration in Discrete Neural Samplers via Well-Tempered Metadynamics
• Title（参考訳）: MetaDNS: 高精度なメタダイナミクスによる離散型ニューラルサンプリングにおける探索の強化
• Authors: Xiaochen Du, Juno Nam, Jaemoo Choi, Wei Guo, Sathya Edamadaka, Junyi Sha, Elton Pan, Yongxin Chen, Molei Tao, Rafael Gómez-Bombarelli,
• Abstract要約: 離散拡散あるいは自己回帰型サンプリング器によく温度のよいメタ力学を統合するための一般的なフレームワークを提案する。 選択された低次元座標に沿って、適応的かつ歴史に依存したバイアスポテンシャルを維持することで、MetaDNSは以前に到達不可能な領域を探索する。 MCMCベースのメタ力学と比較して、MetaDNSはより少ないバイアス沈着ステップを必要とする同等の探索も達成している。
• 参考スコア（独自算出の注目度）: 35.120748830832945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling from discrete distributions with multiple modes and energy barriers is fundamental to machine learning and computational physics. Recent discrete neural samplers like MDNS suffer from mode collapse and fail to sample high-energy barrier regions between modes, which is critical for free energy estimation and understanding phase transitions. We propose Metadynamics Discrete Neural Sampler (MetaDNS), a general framework integrating well-tempered metadynamics into discrete diffusion or autoregressive samplers. By maintaining an adaptive, history-dependent bias potential along selected low-dimensional coordinates, MetaDNS forces exploration of previously inaccessible regions, enabling free energy reconstruction infeasible with standard neural samplers due to a lack of high-energy samples. On challenging low-temperature benchmarks including Ising, Potts, and the copper-gold binary alloy, MetaDNS reproduces the thermodynamic distribution. Compared to MCMC-based metadynamics, MetaDNS also achieves comparable exploration requiring fewer bias deposition steps.
• Abstract（参考訳）: 複数のモードとエネルギー障壁を持つ離散分布からサンプリングすることは、機械学習と計算物理学の基礎となる。 MDNSのような最近の離散型ニューラルネットワークはモード崩壊に悩まされており、モード間の高エネルギー障壁領域のサンプリングに失敗している。 本稿では, 離散拡散・自己回帰型サンプリング器によく温度のよいメタダイナミックスを統合する一般的なフレームワークであるメタダイナミックス離散型ニューラルサンプリング(MetaDNS)を提案する。 選択された低次元座標に沿って適応的かつ履歴に依存したバイアスポテンシャルを維持することで、MetaDNSはそれまで到達不可能な領域を探索し、高エネルギーサンプルの欠如により標準のニューラルサンプリングでは不可能な自由エネルギーの再構築を可能にした。 Ising, Potts, and the copper-gold binary alloyなどの低温ベンチマークにおいて、MetaDNSは熱力学分布を再現する。 MCMCベースのメタ力学と比較して、MetaDNSはより少ないバイアス沈着ステップを必要とする同等の探索も達成している。

関連論文リスト

• 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)
• Manifold-Orthogonal Dual-spectrum Extrapolation for Parameterized Physics-Informed Neural Networks [5.601252185916962]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて顕著な成功を収めた。 物理演算子適応のための軽量マイクロアーキテクチャであるManifold-Orthogonal Dual-spectrum Extrapolation (MODE)を提案する。
  論文  参考訳（メタデータ） (2026-03-14T04:52:50Z)
• Proximal Diffusion Neural Sampler [45.335824474545795]
  経路測度空間上の近点法による最適制御問題に対処するtextbf Proximal Diffusion Neural Sampler (PDNS) というフレームワークを提案する。 PDNSは学習プロセスを一連のより単純なサブプロブレムに分解し、所望の分布に徐々に近づく経路を生成する。 連続的および離散的なサンプリングタスクの広範な実験を通じて,PDNSの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2025-10-04T14:44:47Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• 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)
• Effective Dynamics of Generative Adversarial Networks [16.51305515824504]
  GAN(Generative Adversarial Network)は、新しいサンプルを生成するために対人訓練を使用する機械学習モデルのクラスである。 モード崩壊と呼ばれるトレーニング失敗の1つの主要な形態は、ジェネレータがターゲット確率分布におけるモードの完全な多様性を再現できないことである。 本稿では,ジェネレータニューラルネットワークを出力空間内の粒子の集合に置き換えることで,学習ダイナミクスを捕捉するGANトレーニングの効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2022-12-08T22:04:01Z)

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。