論文の概要: Composing Flow-Matching Energies with Known Physics: Generation, OOD Detection, and Inversion on PDE Fields
- arxiv url: http://arxiv.org/abs/2608.18004v1
- Date: Tue, 18 Aug 2026 16:53:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.409486
- Title: Composing Flow-Matching Energies with Known Physics: Generation, OOD Detection, and Inversion on PDE Fields
- Title（参考訳）: 既知物理を用いたフローマッチングエネルギーの構成:PDEフィールドにおける生成・OOD検出・インバージョン
- Abstract要約: エネルギーベースモデル(EBM)は、エネルギーが加法的に構成されるので、推論中に物理情報を増やすことができるため、自然に適合する。
この研究で、電位誘起速度を伴う流れマッチングモデルが、全ての輸送時間において明示的なエネルギーをもたらすことを示す。
訓練されたモデルからのエネルギー関数へのアクセスは、エネルギー補正データ生成、アウト・オブ・ディストリビューション(OOD)検出のためのスコアリング機能としてのエネルギー、逆問題のためのエネルギー構成後サンプリングの3つの役割を果たす。
- 参考スコア（独自算出の注目度）: 9.34545560117171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic modeling of physical fields benefits from both a data-driven prior and known physical structure such as the governing equations. Energy-based models (EBMs) are a natural fit since energies compose additively, which enables augmenting physics information during inference. However, EBMs have been difficult to train and sample from due to the intractable partition function. We show in this work that flow matching models with a potential-induced velocity yield an explicit scalar energy at all transport times, whose gradient is exactly the converted learned score and which recovers the marginal negative log-density at the population optimum. The time-dependent energy functions are obtained purely from the matching regression objective on an independent linear Gaussian interpolation, without a variational form or additional MCMC steps, and the sampling retains the flow ODE. Access to the energy function from a trained model serves three roles: energy-corrected data generation, energy as a scoring function for out-of-distribution (OOD) detection, and energy compositional posterior sampling for inverse problems. In particular, we show the explicit energy permits general MCMC samplers in the predictor-corrector sampling framework, reducing PDE residual and spectral distance compared to the flow ODE baseline. Furthermore, we demonstrate utilizing the data energy and physics-based energy (e.g., PDE residuals) as complementary mechanisms to improve detection accuracy for OOD tasks. In addition, we explore the connection to MCMC-based inference for inverse problems by composing the energy with a quadratic observational likelihood that yields a posterior energy, used as an explicitly chosen family of inference-time targets.
- Abstract（参考訳）: 物理場の確率論的モデリングは、データ駆動型と支配方程式のような既知の物理構造の両方から恩恵を受ける。
エネルギーベースモデル(EBM)は、エネルギーが加法的に構成されるので、推論中に物理情報を増やすことができるため、自然に適合する。
しかし EBM は, 難解な分割関数のため, トレーニングやサンプル化が困難であった。
本研究は, 流動マッチングモデルと電位誘起速度のモデルにより, 全輸送時間における明らかなスカラーエネルギーが得られ, その勾配は正確に変換された学習スコアであり, 人口最適値における限界負の対数密度を復元することを示した。
時間依存エネルギー関数は、独立線型ガウス補間における一致する回帰目標から、変分形式や追加のMCMCステップなしで純粋に得られ、サンプリングはフローODEを保持する。
訓練されたモデルからのエネルギー関数へのアクセスは、エネルギー補正データ生成、アウト・オブ・ディストリビューション(OOD)検出のためのスコアリング機能としてのエネルギー、逆問題のためのエネルギー構成後サンプリングの3つの役割を果たす。
特に,この明示的なエネルギーは,予測・相関型サンプリングフレームワークにおける一般MCMCサンプリングを許容し,PDE残差とスペクトル距離をフローODEベースラインと比較して低減させる。
さらに、OODタスクの検出精度を向上させるための相補的なメカニズムとして、データエネルギーと物理ベースエネルギー(例えば、PDE残量)を利用する。
さらに, MCMCに基づく逆問題に対する推論の関連性について検討し, 推定時間目標の明示的に選択された族として, 後続エネルギーを生成する2次観測確率でエネルギーを構成する。
関連論文リスト
- Generating Physically Consistent Molecules with Energy-Based Models [6.4105959373235875]
原子付加スカラー電位を明示的シミュレーションなしで学習することにより誘導バイアスを復元するエネルギーベースモデルであるEMMolを導入する。
EBMolは、QM9とGEOM-Drugsの最先端性能を達成した最初の3D分子生成用ESMである。
論文 参考訳（メタデータ） (2026-05-18T13:26:52Z) - 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) - Energy-Guided Flow Matching Enables Few-Step Conformer Generation and Ground-State Identification [45.52894539097255]
本稿では,明示的な学習エネルギーモデルとフローマッチングを結合する統合フレームワークであるEnFlowを紹介する。
サンプリング中にエネルギー段階的な誘導を取り入れることで,低エネルギー領域への軌道を導出する。
さらに、学習したエネルギー関数は、生成したアンサンブルの効率的なエネルギーベースのランク付けを可能にし、正確な基底状態の同定を可能にする。
論文 参考訳（メタデータ） (2025-12-27T14:00:22Z) - Energy Matching: Unifying Flow Matching and Energy-Based Models for Generative Modeling [5.787270247104665]
現在の最先端生成モデルは、フローやスコアの一致によって、ノイズをデータ分布にマッピングする。
本稿では,ESMの柔軟性を備えたフローベースアプローチを実現するフレームワークであるEnergy Matchingを提案する。
論文 参考訳（メタデータ） (2025-04-14T18:10:58Z) - Energy-Weighted Flow Matching for Offline Reinforcement Learning [53.64306385597818]
本稿では, 生成モデルにおけるエネルギー誘導について検討し, 対象分布をp(mathbf x)exp(-beta mathcal E(mathcal x))$, $p(mathbf x)$, $mathcal E(mathcal x)$と定義する。
補助モデルを必要としないエネルギー誘導流を直接学習するEFM(Energy-weighted Flow Match)を導入する。
我々はこの方法論をエネルギー重み付けに拡張する
論文 参考訳（メタデータ） (2025-03-06T21:10:12Z) - Iterated Energy-based Flow Matching for Sampling from Boltzmann Densities [11.850515912491657]
非正規化密度から連続正規化フロー(CNF)モデルをトレーニングするための反復エネルギーベースフローマッチング(iEFM)を提案する。
以上の結果から,iEFMは既存の手法よりも優れており,効率的でスケーラブルな確率的モデリングの可能性を示している。
論文 参考訳（メタデータ） (2024-08-29T04:06:34Z) - Variational Potential Flow: A Novel Probabilistic Framework for Energy-Based Generative Modelling [10.926841288976684]
エネルギーをベースとした新しい生成フレームワークVAPOについて述べる。
VAPOは、勾配(流れ)が前のサンプルを導くポテンシャルエネルギー関数を学習することを目的としており、その密度の進化は近似的なデータ準同相性に従う。
イメージはポテンシャルエネルギーをトレーニングした後、ガウスのサンプルを初期化し、固定時間間隔で電位フローを管理するODEを解くことで生成することができる。
論文 参考訳（メタデータ） (2024-07-21T18:08:12Z) - On Feature Diversity in Energy-based Models [98.78384185493624]
エネルギーベースモデル(EBM)は通常、異なる特徴の組み合わせを学習し、入力構成ごとにエネルギーマッピングを生成する内部モデルによって構成される。
EBMのほぼ正しい(PAC)理論を拡張し,EBMの性能に及ぼす冗長性低減の影響を解析した。
論文 参考訳（メタデータ） (2023-06-02T12:30:42Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-10-24T16:54:18Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳（メタデータ） (2022-04-19T10:51:00Z) - Particle Dynamics for Learning EBMs [83.59335980576637]
エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。
コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。
本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
論文 参考訳（メタデータ） (2021-11-26T23:41:07Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。