Fugu-MT 論文翻訳(概要): Autoregressive Boltzmann Generators

論文の概要: Autoregressive Boltzmann Generators

arxiv url: http://arxiv.org/abs/2606.27361v1
Date: Thu, 25 Jun 2026 17:58:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.396922
Title: Autoregressive Boltzmann Generators
Title（参考訳）: 自己回帰ボルツマン発電機
Abstract要約: 熱力学平衡における分子系の効率的なサンプリングは、統計物理学において顕著な課題である。現代のボルツマン発生器は主に正規化フローに依存している。本稿では,フローベースBGパラダイムから離れる自動回帰ボルツマン発生器(ArBG)を提案する。
参考スコア（独自算出の注目度）: 81.5061620844556
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Efficient sampling of molecular systems at thermodynamic equilibrium is a hallmark challenge in statistical physics. This challenge has driven the development of Boltzmann Generators (BGs), which allow rapid generation of uncorrelated equilibrium samples by combining a generative model with exact likelihoods and an importance sampling correction. However, modern BGs predominantly rely on normalizing flows (NFs), which either suffer from limited expressivity due to strict invertibility constraints (discrete time) or computationally expensive likelihoods (continuous time). In this paper, we propose Autoregressive Boltzmann Generators (ArBG) -- a novel autoregressive modelling framework -- that overcomes these limitations by departing from the flow-based BG paradigm. ArBG circumvents the topological constraints of flows and enables sequential inference-time interventions, while offering enhanced scalability by leveraging architectures effective in Large Language Models. We empirically demonstrate that ArBG leads to significant improvements over flow-based models across all benchmarks, but particularly in larger peptide systems such as the 10-residue Chignolin. Furthermore, we introduce Robin, a 132 million parameter transferable model trained with the ArBG framework which improves over the previous state-of-the-art, reducing the zero-shot energy error, E-W$_2$, on 8-residue systems by over 60$\%$. The code can be found at the following link: https://github.com/danyalrehman/autobg.
Abstract（参考訳）: 熱力学平衡における分子系の効率的なサンプリングは、統計物理学において顕著な課題である。この課題はボルツマン・ジェネレータ(BGs)の開発を推進し、生成モデルと正確な精度と重要なサンプリング補正を組み合わせることで、非相関平衡サンプルの迅速な生成を可能にした。しかし、現代のBGは主に正規化フロー(NF)に依存しており、これは厳密な可逆性制約(離散時間)や計算に高価な確率(連続時間)によって、限られた表現性に悩まされる。本稿では,自動回帰ボルツマン発生器(ArBG)を提案する。これは,フローベースBGパラダイムから離脱することで,これらの制約を克服する新しい自己回帰モデルフレームワークである。 ArBGは、フローのトポロジ的制約を回避し、逐次推論時介入を可能にすると同時に、大規模言語モデルで有効なアーキテクチャを活用することで拡張されたスケーラビリティを提供する。我々は、ArBGが全てのベンチマークにおいてフローベースモデルよりも顕著な改善をもたらすことを実証的に示し、特に10残基チグノリンのような大きなペプチド系において証明した。さらに、ArBGフレームワークでトレーニングされた1億3200万のパラメータ転送可能モデルであるRobinを導入し、ゼロショットエネルギー誤差であるE-W$_2$を60$\%$以上削減する。コードは以下のリンクで参照できる。

関連論文リスト

Post-training Quantization for Hybrid Iterative Generative Models [52.791973512723324]
反復生成モデル(IGMs)は自己回帰と拡散のパラダイムにまたがり、それらが結合するハイブリッドな変異は、素晴らしい画像生成の忠実さを達成できる。ポストトレーニング量子化(PTQ)は加速に訴える一方で、バニラPTQを直接ハイブリッドIGGに適用することでモデル崩壊を引き起こす。ハイブリッドIGGのためのPTQフレームワークHyGenQを紹介する。代表的ハイブリッドIGGを8ビット精度(W8A8)に定量化し、既存のベースラインを著しく上回り、異なるモデルファミリ間の堅牢性を検証した。
論文参考訳（メタデータ） (2026-08-14T04:07:14Z)
PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。本手法は,結合予測システムの長期安定性を著しく向上させる。
論文参考訳（メタデータ） (2026-05-09T13:12:33Z)
Coarse-Grained Boltzmann Generators [2.8880597165704]
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。
論文参考訳（メタデータ） (2026-02-11T08:37:13Z)
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)
Graph VQ-Transformer (GVT): Fast and Accurate Molecular Generation via High-Fidelity Discrete Latents [6.5389217759933125]
本稿では,グラフVQ変換器(Graph VQ-Transformer,GVT)について述べる。我々のアプローチの核となるのは、分子グラフを高忠実な離散潜在配列に圧縮する新しいグラフベクトル量子変分オートコーダ(VQ-VAE)である。 GVTは、ZINC250k、MOSES、GuacaMolといった主要なベンチマークに対して、最先端または高い競争性能を達成する。
論文参考訳（メタデータ） (2025-12-02T11:44:15Z)
Resolving Turbulent Magnetohydrodynamics: A Hybrid Operator-Diffusion Framework [0.1572025118388268]
ハイブリッド機械学習フレームワークは、100, 250, 500, 750, 1000, 3000, 10000$で$mathrmReで高忠実度シミュレーションの包括的なアンサンブルに基づいてトレーニングされている。極度の乱流レベルでは、磁場の高波数進化を回復できる最初のサロゲートのままである。
論文参考訳（メタデータ） (2025-07-02T19:33:57Z)
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)
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)
BARNN: A Bayesian Autoregressive and Recurrent Neural Network [40.64742332352373]
本稿では,変分ベイズ自己回帰とリカレントニューラルネットワークのBARNNについて述べる。 BARNNは、任意の自己回帰モデルやリカレントモデルをベイズバージョンに変換する、原則化された方法を提供することを目指している。また,ベイジアン推論を効率的かつよく校正するために,前部(tVAMP-prior)の時間版"Variational Mixtures of Posteriors"を導入する。
論文参考訳（メタデータ） (2025-01-30T15:44:04Z)
Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文参考訳（メタデータ） (2022-06-26T10:58:41Z)

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。