論文の概要: Generative Nested Sampling of Atomistic Thermodynamic Landscapes
- arxiv url: http://arxiv.org/abs/2609.03193v1
- Date: Wed, 02 Sep 2026 22:21:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.86381
- Title: Generative Nested Sampling of Atomistic Thermodynamic Landscapes
- Title（参考訳）: 微視的熱力学景観のネストサンプリング
- Abstract要約: フローベースネストサンプリングは重力波(GW)推論のボトルネックを取り除く。
PBC の LJ ディスクは, エネルギー評価を2桁以上, 壁面時を約3分の1以上削減することを示した。
PBCのLJディスクの場合、このアルゴリズムはエネルギー評価を2桁以上、壁時計時間はおよそ3分の1以上削減する。
- 参考スコア（独自算出の注目度）: 37.547720439639015
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nested sampling (NS) resolves the thermodynamics of an atomistic system from a single simulation, but its practical reach is limited by the Markov-chain updates needed to decorrelate walkers within each likelihood-constrained ensemble. Flow-based NS has removed this bottleneck for gravitational-wave (GW) inference, yet its transfer to atomistic systems is not merely a change of application. Comparing a GW150914-like binary-black-hole likelihood with an eight-particle two-dimensional Lennard-Jones (LJ) system of comparable dimensionality, we show that the two landscapes differ fundamentally: atomistic multimodality is discrete and combinatorial, generated by particle permutations separated by hard collision walls, and its coordinate coupling is dense and collective, whereas the GW posterior exhibits smooth degeneracies and localized parameter coupling. Guided by this diagnosis, we introduce NS-Flows: a single conditional normalizing flow, conditioned on the NS energy bound and trained on a sliding window of recent live sets, that replaces MCMC by direct parallel draws corrected by importance-weighted rejection resampling. Live sets supply data self-consistently, allowing flow training without structured priors or a pre-existing dataset. For LJ disks in PBC, the algorithm reduces energy evaluations by over two orders of magnitude and wall-clock time by roughly one third, an advantage that becomes increasingly favorable as the cost of the potential grows. The flow's generation efficiency further acts as a physical diagnostic: it varies non-monotonically along the annealing trajectory, is lowest in the dense disordered regime, and is quantitatively captured by the constrained ensemble's internal mode complexity together with target drift across the training window, identifying liquid-like ensembles, rather than prior-target separation, as the hard case for current flow architectures.
- Abstract（参考訳）: ネストサンプリング(Nested sample, NS)は原子系の熱力学を1つのシミュレーションから解くが、その現実的な到達範囲は、各可能性制約されたアンサンブル内の歩行者の非相関化に必要なマルコフチェーン更新によって制限される。
フローベースのNSは重力波(GW)推論のボトルネックを取り除くが、原子系への移動は単なる応用の変化ではない。
GW150914に類似する2次元2次元レナード・ジョーンズ (LJ) 系と比較すると, 原子性多モード性は離散的, 結合的であり, 粒子置換によって生成され, 座標結合は密集的, 集合的であり, GW後部は滑らかな縮退と局所的パラメータ結合を示す。
NS-Flows は NS エネルギー境界に条件付き,最近のライブセットのスライディングウインドウで訓練され,MCMC の直接並列ドローに代えて重要重み付き拒絶再サンプリングにより補正される。
Live Setはデータを自己整合的に供給し、構造化前の構造や既存のデータセットなしでフロートレーニングを可能にする。
PBCのLJディスクの場合、このアルゴリズムはエネルギー評価を2桁以上、壁時計時間はおよそ3分の1程度削減する。
流れの生成効率は、さらに物理的診断として機能し、アニーリング軌道に沿って単調に変化し、密度の低い乱れ状態において最低であり、制約されたアンサンブルの内部モードの複雑さとトレーニングウィンドウを横切るターゲットのドリフトによって定量的に捕捉され、現在のフローアーキテクチャのハードケースとして、前ターゲット分離よりも液体のようなアンサンブルを識別する。
関連論文リスト
- 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) - FMOPF: Latent Flow Matching with Constraint-Aware Interaction Priors for AC Optimal Power Flow [4.037525873726113]
AC最適電力フローは、非線形パワーバランス制約の下で、最小コストのジェネレーションディスパッチを決定する。
本稿では,一つのモデル内での2つのタスクの融合を解決するフレームワークFMOPFを提案する。
4つのIEEEテストシステムの実験では、FMOPFが最も効果的なニュートン・ラフソン温暖開始を提供することを示した。
論文 参考訳（メタデータ） (2026-07-24T12:49:09Z) - From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。
最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。
次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
論文 参考訳（メタデータ） (2026-07-10T20:59:06Z) - Finite-size scaling of hetero-associative retrieval in continuous-signal-driven Ising spin systems [0.0]
実世界の物理信号は連続かつ高次元であるが、連想記憶の統計力学は離散イジングスピンで動作する。
この分割を多層Isingフレームワークを通じてブリッジし、ジオメトリ保存された連続Isingエンコーダを結合する。
頭頂部脳波とEOG軸のマクロな睡眠状態を1つの雑音性前頭脳波キューから再構成し,クエンチされた生物学的障害の存在下での相互リコールを実証した。
論文 参考訳（メタデータ） (2026-05-13T19:33:51Z) - Entropy-Controlled Flow Matching [0.08460698440162889]
本稿では,グローバルエントロピーレートの予算d/dt H(mu_t) >=-lambdaを強制する連続性方程式パスに対する制約付き変分原理を提案する。
そこで我々は,Lipschitzによる証明型モード被覆と密度フロア保証を取得し,非拘束フローマッチングのための準最適逆例を構築した。
論文 参考訳（メタデータ） (2026-02-25T06:07:01Z) - Mean-Field Path-Integral Diffusion: From Samples to Interacting Agents [0.0]
Mean-Field Path-Integral Diffusion (MF-PID) は、個体群密度の変動に自在に依存する相互作用する物質にサンプルを昇格させる枠組みである。
MF-PIDは、所定の端末分布を正確に一致させながら、独立エージェントベースラインに対する累積制御エネルギーを19～24%削減する。
論文 参考訳（メタデータ） (2026-02-23T21:14:06Z) - Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。
本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。
本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
論文 参考訳（メタデータ） (2025-04-29T17:05:27Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z)
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。