論文の概要: Neural Non-Equilibrium Hamiltonian Monte Carlo for Corrected Boltzmann Sampling

• arxiv url: http://arxiv.org/abs/2607.15682v1
• Date: Fri, 17 Jul 2026 06:50:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.775183
• Title: Neural Non-Equilibrium Hamiltonian Monte Carlo for Corrected Boltzmann Sampling
• Title（参考訳）: 補正ボルツマンサンプリングのためのニューラル非平衡ハミルトニアンモンテカルロ
• Abstract要約: 列車の誤りを正すハミルトニアンサンプリング器であるニューラル非平衡ハミルトニアンモンテカルロ(NHMC)を紹介する。 NHMCはハミルトンスタイルのパスを目標に向けて学習し、完全なパスとエンドポイント構成を生成する。 二重井戸および有限体積格子の4$目標に対して、NHMC構造は経路重複が十分であるときに補正された推定を与える。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sampling from an unnormalized Boltzmann density requires proposals that move probability mass globally while retaining enough path-probability information for statistical correction. We introduce Neural Non-Equilibrium Hamiltonian Monte Carlo (NHMC), a train-then-correct learned Hamiltonian sampler. Starting from a tractable base distribution, NHMC learns stochastic Hamiltonian-style paths toward the target. Once training is complete, the learned proposal parameters are fixed; the proposal then generates complete paths and endpoint configurations, which are statistically corrected using the recorded non-equilibrium work. This dimensionless generalized work is determined by the probability ratio between the forward proposal path and a reverse reference path. During training, minimizing its mean reduces a path-space KL divergence and controls an upper bound on endpoint mismatch. During evaluation, the same quantity defines weights for self-normalized importance sampling on paths (path-SNIS), estimates normalizing constants or free-energy differences, and gives the acceptance ratio for path-space independent Metropolis-Hastings (path-IMH). The same forward-reverse laws also define a shared-bridge round-trip Metropolis kernel that acts directly on configurations and preserves the Boltzmann target. On double-well and finite-volume lattice $φ^4$ targets, the NHMC construction gives corrected estimates when path overlap is sufficient; when overlap is poor, weight degeneracy, low acceptance, and long autocorrelation expose proposal failure. We additionally report a molecular internal-coordinate feasibility study using an MD prior and learned-force path proposal.
• Abstract（参考訳）: 正規化されていないボルツマン密度からサンプリングするには、統計補正に十分な経路確率情報を保持しながら、確率質量を全世界に移動させる提案が必要である。 列車の誤りを正すハミルトニアンサンプリング器であるニューラル非平衡ハミルトニアンモンテカルロ(NHMC)を紹介する。 NHMCは、抽出可能な基底分布から始まり、標的に向かって確率的なハミルトン流の経路を学ぶ。 トレーニングが完了すると、学習された提案パラメータが固定され、その提案は完全なパスとエンドポイント構成を生成し、記録された非平衡作業を使用して統計的に修正される。 この非次元一般化作業は、前方提案経路と逆基準経路との確率比によって決定される。 トレーニング中、平均値の最小化はパス空間KLのばらつきを低減し、エンドポイントミスマッチ上の上限を制御します。 評価では、パスの自己正規化重要度サンプリング(パス-SNIS)の重みを定義し、定数の正規化や自由エネルギー差を推定し、パス空間独立メトロポリス・ハスティングス(パス-IMH)の受容率を与える。 同じフォワードリバース法則は共有ブリッジのラウンドトリップメトロポリスカーネルも定義しており、このカーネルは構成に直接作用し、ボルツマンのターゲットを保存する。 二重井戸および有限体積格子 $φ^4$ の目標に対して、NHMC の構成は経路重複が十分であるときに補正された推定を与える。 また,MD前・学習後パス提案を用いた分子内協調型実現可能性研究を報告する。

関連論文リスト

• Characterizing Heterogeneous Rates in Finite Mixture Estimation via Partial Optimal Transport [88.55403215843967]
  改良された局所および大域収束保証を得るためのボロノイ系部分最適輸送(VPOT)は、混合測定の最大極大推定器である。 結果は、混合比例が真の混合成分の数についてのゼロまたは以前の知識から一様に制限されることなく、任意の固定次元で保持される。
  論文  参考訳（メタデータ） (2026-09-15T04:32:53Z)
• CyclOT: Learning Quadratic Optimal Transport Maps via Synchronized Forward-Backward Interpolants [20.064386074670605]
  本稿では,学習した地図が前方および後方の変位補間を誘導する双方向ニューラルネットワークフレームワークを提案する。 スイスロール, MNIST, CelebA, シングルセルデータ, 胸部X線画像を用いた実験は, 終端忠実度, 輸送コストの逆転, 整合性, 誘導インバータの形状を評価する。
  論文  参考訳（メタデータ） (2026-09-12T11:31:53Z)
• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Convex-Hull-Neighborhood Smooth Dual Generalization: Controlling Local Correction Propagation in Offline RL [7.803284875836737]
  ブートストラップは オフライン強化学習における 推定誤差を増幅する 本稿では,ベルマンのバックアップをサンプル値のターゲットとして表現し,CHN局所補正を行うConvex Hull Neborhood Smooth Dual Generalizationを提案する。 Gym-MuJoCoとAntMazeの実験は、強力な集約性能と安定した値推定を示す。
  論文  参考訳（メタデータ） (2026-08-04T04:30:02Z)
• Markov Chain Monte Carlo with Diffusion Paths [16.16991829228785]
  マルチモーダル分布からのサンプリングは、局所マルコフ連鎖モンテカルロ法における長年の挑戦である。 本稿では,拡散経路に沿って補間すること,すなわちガウスに向かって対象を輸送するノイズ発生拡散過程の限界について提案する。 我々は,MAD-PathがMCMC法と非調整拡散サンプリング器と比較して,グローバル探索とモードウェイト推定を改善したことを示す。
  論文  参考訳（メタデータ） (2026-07-13T14:48:19Z)
• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• What Do Flow-Based Inverse Solvers Approximate? A Posterior-Transport View [31.082191748525137]
  後部輸送フローに基づく問題解決法を提案する。 本研究では,無条件の音源を後部へ変形させるのに必要な最小エネルギーの周波数補正場として,軌跡誘導解法が読み取れることを示す。
  論文  参考訳（メタデータ） (2026-06-23T12:50:11Z)
• Self-Consistent Generative Paths via Admissible Random Variational Transport [14.74009385288423]
  確率経路はいつ自己整合するのか? 自己整合性生成経路を許容可能な局所変分輸送補正のランダムな固定点として定義する。 結果として生じる理論は、エンドポイントマッチングを経路自己整合性テストに変換する。
  論文  参考訳（メタデータ） (2026-06-08T02:56:06Z)
• Direct Bethe Free Energy Minimization for Bayesian Neural Network [0.0]
  我々は,変分下界を最大化するのではなく,Bethe自由エネルギーを直接最小化してベイズニューラルネットワークを訓練することを提案する。 木構造因子グラフ上では、Bethe自由エネルギーは正確であり、決定論的層は目的から外れ、標準のバックプロパゲーションによって訓練される。 すべての変種は、アンサンブルやサンプリングベースの手法とは対照的に、MAP等価な推論コストで閉形式予測を許容する。
  論文  参考訳（メタデータ） (2026-05-08T20:12:48Z)
• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• Randomized Physics-Informed Machine Learning for Uncertainty Quantification in High-Dimensional Inverse Problems [49.1574468325115]
  本研究では,高次元逆問題における不確実性定量化のための物理インフォームド機械学習手法を提案する。 我々は解析的に、そして、ハミルトン・モンテカルロとの比較を通して、rPICKLE はベイズ則によって与えられる真の後続に収束することを示す。
  論文  参考訳（メタデータ） (2023-12-11T07:33:16Z)
• A hybrid quantum algorithm to detect conical intersections [39.58317527488534]
  実分子ハミルトニアンに対して、ベリー相は選択された経路に沿って変分アンザッツの局所的最適性をトレースすることによって得られることを示す。 フォーマルジミン分子の小さな玩具モデルへのアルゴリズムの適用を数値的に示す。
  論文  参考訳（メタデータ） (2023-04-12T18:00:01Z)
• Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
  離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。 最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
  論文  参考訳（メタデータ） (2022-09-16T22:09:53Z)
• Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
  カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。 我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。 MRP のサブクラスに対する minimax の下位境界を証明する。
  論文  参考訳（メタデータ） (2021-09-24T14:48:20Z)

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。