論文の概要: Denoising Diffusion Monte Carlo Electron Densities with Physically Informed Variance Stabilization: From Fourier Filters to 3D UNETs

• arxiv url: http://arxiv.org/abs/2608.08152v1
• Date: Sat, 08 Aug 2026 14:27:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.700098
• Title: Denoising Diffusion Monte Carlo Electron Densities with Physically Informed Variance Stabilization: From Fourier Filters to 3D UNETs
• Title（参考訳）: 物理インフォームド可変安定化による拡散モンテカルロ電子密度の劣化:フーリエフィルタから3次元UNETへ
• Abstract要約: 本稿では,情報理論的ジェンセン・シャノン分岐に基づくDMC密度の認知的アプローチについて検討する。 最高のデノイザは密度発生型DMCシミュレーションに必要なコストを10-100倍削減する。
• 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: Obtaining accurate electron densities is important for the fundamental description of molecular and condensed matter systems, as well as for the development of next-generation density functionals. Diffusion Monte Carlo (DMC), in particular, is known to produce benchmark-quality data; however, the predicted real-space electron densities contain substantial amounts of statistical noise. In this work, we study denoising approaches for DMC densities, judged on the basis of the information-theoretic Jensen-Shannon divergence. The denoising is facilitated by an approximate heteroscedastic to homoscedastic transformation leveraging the density functional theory density as a physical prior. We systematically compare a range of denoising techniques-including Fourier transform, regression, and 3D UNETs-on materials showing a wide range of density variations: carbon diamond, blue phosphorus, and rutile VO2. Our results indicate that simple flattened machine learning models and 2D image-based models introduce line artifacts and struggle to capture the full spatial correlation. In contrast, when using variance stabilization, regression methods outperform all others in both the high and low- noise limits across all materials considered. The best denoisers reduce the required cost of density-generating DMC simulations by 10-100x, providing a promising route forward for application in noise-sensitive tasks such as DFT functional inversion.
• Abstract（参考訳）: 正確な電子密度の取得は、分子および凝縮物質系の基本的な記述、および次世代密度汎関数の開発に重要である。 拡散モンテカルロ(DMC)は、特にベンチマーク品質のデータを生成することが知られているが、予測された実空間電子密度には相当量の統計ノイズが含まれている。 本研究では,情報理論のJensen-Shannon分散に基づくDMC密度の認知的アプローチについて検討する。 このデノナイジングは、密度汎関数理論密度を物理先行として活用した、近似ヘテロセダスティックからホモセダスティック変換によって促進される。 本研究では, 炭素ダイヤモンド, 青色リン, ルチルVO2の密度変化を示すフーリエ変換, レグレッション, および3次元UNETsオン材料を含む, 様々なデノナイジング手法を系統的に比較した。 以上の結果から,単純なフラット化機械学習モデルと2次元画像ベースモデルがラインアーティファクトを導入し,空間相関の完全な把握に苦慮していることが示唆された。 対照的に、分散安定化を用いる場合、レグレッション法は、考慮されたすべての材料において、高低雑音域と低雑音域の両方において、他の全てよりも優れる。 最高のデノイザは密度発生型DMCシミュレーションに必要なコストを10-100倍に削減し、DFT機能反転のようなノイズに敏感なタスクに適用するための有望な経路を提供する。

関連論文リスト

• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• Breaking the Bottlenecks: Scalable Diffusion Models for 3D Molecular Generation [0.0]
  拡散モデルは分子設計のための強力な生成モデルとして登場した。 彼らの使用は、長いサンプリング軌道、逆過程のばらつき、そして力学の認知における構造的認識の制限によって制限されている。 直接分極拡散モデル(英語版)は、逆MCMC更新を決定論的分極ステップに置き換えることでこれらの非効率性を緩和する。
  論文  参考訳（メタデータ） (2026-01-13T20:09:44Z)
• A Machine Learning-Driven Solution for Denoising Inertial Confinement Fusion Images [3.422849356462525]
  混合ガウス・ポアソン復調のために,Cohen-Daubechies-Feauveauウェーブレット変換を用いた教師なしオートエンコーダを実装した。 これは、フォワードモデルによって生成されたデータとベンチマークした場合、低い再構成エラーと優れたエッジ保存メトリクスを示す。
  論文  参考訳（メタデータ） (2025-11-20T18:56:34Z)
• VEDA: 3D Molecular Generation via Variance-Exploding Diffusion with Annealing [4.288647933894182]
  VEDAは分散拡散とアニーリングを組み合わせて3D構造を生成するフレームワークである。 QM9とGEOM-DRUGSデータセットでは、VEDAはフローベースモデルのサンプリング効率と一致する。 VEDAの生成した構造は、緩和エネルギーによって測定されるように、驚くほど安定である。
  論文  参考訳（メタデータ） (2025-11-11T05:45:37Z)
• InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation [48.55037712252843]
  InJecteDは拡散確率モデル(DDPM)を解釈するフレームワーク このフレームワークをDatasaurus Dozen bullseye, dino, circleの3つのデータセットに適用する。 提案手法は, 変位, 速度, クラスタリング, ドリフト場力学などの軌道特性を定量的に評価する。
  論文  参考訳（メタデータ） (2025-09-09T14:53:19Z)
• FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
  蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。 FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
  論文  参考訳（メタデータ） (2024-12-13T10:45:25Z)
• Soft Mixture Denoising: Beyond the Expressive Bottleneck of Diffusion Models [76.46246743508651]
  我々は,現在の拡散モデルが後方認知において表現力のあるボトルネックを持っていることを示した。 本稿では,後方復調のための表現的かつ効率的なモデルであるソフトミキシング・デノナイジング(SMD)を導入する。
  論文  参考訳（メタデータ） (2023-09-25T12:03:32Z)
• The Surprising Effectiveness of Diffusion Models for Optical Flow and Monocular Depth Estimation [42.48819460873482]
  拡散確率モデルは、その印象的な忠実さと多様性で画像生成を変換した。 また,タスク固有のアーキテクチャや損失関数を使わずに,光学的フローと単眼深度の推定に優れることを示す。
  論文  参考訳（メタデータ） (2023-06-02T21:26:20Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Denoising Diffusion Probabilistic Models to Predict the Density of Molecular Clouds [2.4628420705850638]
  本稿では,巨大分子雲(GMC)の体積あるいは数密度を推定する手法として,DDPM(Denoising Diffusion Probabilistic Model)を提案する。 我々は大域磁場強度と大規模ダイナミクスの異なる磁気流体力学シミュレーションを採用する。 我々は、質量表面密度マップと対応する数密度マップの両方に異なる視角から拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2023-04-04T09:58:22Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• A Data-driven Loss Weighting Scheme across Heterogeneous Tasks for Image Denoising [67.02529586335473]
  変分分解モデルでは、データ忠実度項の重みはノイズ除去能力を高める役割を担っている。 本研究では,これらの問題に対処するデータ駆動型損失重み付け手法を提案する。 DLWの顕著な性能を検証し,様々な変分復調モデルの複素雑音処理能力の向上に寄与することを示した。
  論文  参考訳（メタデータ） (2022-12-09T03:28:07Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)

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。