論文の概要: Correlation-Free Transition Path Sampling through Shooting Point Generation Guided by Committor Learning

• arxiv url: http://arxiv.org/abs/2609.20461v1
• Date: Thu, 17 Sep 2026 14:24:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.320172
• Title: Correlation-Free Transition Path Sampling through Shooting Point Generation Guided by Committor Learning
• Title（参考訳）: コミッタ学習によるショットポイント生成による相関自由遷移経路サンプリング
• Abstract要約: 我々は, 理想的な反応座標(コミッタ)を学習し, 任意のバイアスウィンドウからサンプルとして条件付きボルツマン発生器を訓練するアルゴリズムGenAIMMDを紹介する。 ベンチマークの結果、標準のTPSに比べて大幅に性能が向上した。
• 参考スコア（独自算出の注目度）: 39.78615863234898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Studying the dynamical behavior of a system often depends on characterizing how it transitions between long-lived states. Because such transitions are rare, observing them usually requires specialized enhanced sampling techniques. Transition Path Sampling (TPS) is a well-established method for generating reactive trajectories, which is simple to implement and does not require the definition of a preconceived reaction coordinate. However, its efficiency is limited by its sequential nature and the resulting correlations between sampled paths. Previous work addressed this limitation by combining TPS with a sampling scheme based on conditioned Boltzmann Generators, a generative machine learning model capable of sampling a given target probability distribution. This approach produces uncorrelated transition paths but relies on an accurate reaction coordinate, which is rarely known in advance. Building on recent advances in committor learning, specifically on the Artificial Intelligence for Molecular Mechanism Discovery (AIMMD) method, in this work we introduce GenAIMMD, an iterative algorithm that actively and self-consistently learns the ideal reaction coordinate (the committor) and trains a conditioned Boltzmann Generator to sample from arbitrary bias windows along it. GenAIMMD thereby provides a correlation-free and fully parallelizable path sampling scheme that does not require prior knowledge of the system's transition mechanism. We apply GenAIMMD to a two-dimensional toy model and a higher-dimensional polymer system. In both cases, GenAIMMD succeeds in training the Boltzmann Generator and learning the committor. Benchmark results show a substantial increase in performance compared to standard TPS.
• Abstract（参考訳）: システムの動的挙動を研究することは、長期間の状態の間でどのように遷移するかを特徴づけることにしばしば依存する。 このような遷移はまれであるため、観察には特別に強化されたサンプリング技術が必要である。 トランジションパスサンプリング(Transition Path Sampling、TPS)は、反応軌道を生成するための確立された方法であり、実装が簡単で、先入観的な反応座標の定義を必要としない。 しかし、その効率は、そのシーケンシャルな性質と、サンプルパス間の相関によって制限される。 これまでの研究は、TPSと条件付きボルツマン発生器に基づくサンプリングスキームを組み合わせることでこの問題に対処していた。 このアプローチは非相関な遷移経路を生成するが、正確な反応座標に依存しており、これは事前に知られていることは滅多にない。 本稿では,コミッタ学習の最近の進歩,特にAIMMD(Artificial Intelligence for Molecular Mechanism Discovery, 分子機構探索のための人工知能)法をベースとして,理想的反応座標(コミッタ)を積極的に自己整合的に学習し,それに沿った任意のバイアスウィンドウからサンプリングするために条件付きボルツマン発電機を訓練する反復アルゴリズムであるGenAIMMDを紹介する。 これにより、GenAIMMDは、システムの遷移機構の事前知識を必要としない相関のない完全に並列化可能な経路サンプリングスキームを提供する。 我々はGenAIMMDを2次元の玩具モデルと高次元のポリマーシステムに適用する。 どちらの場合でも、GenAIMMDはボルツマン発電機の訓練とコミッタの学習に成功している。 ベンチマークの結果、標準のTPSに比べて大幅にパフォーマンスが向上した。

関連論文リスト

• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• STGlow: A Flow-based Generative Framework with Dual Graphormer for Pedestrian Trajectory Prediction [22.553356096143734]
  歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。 本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。 いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-11-21T07:29:24Z)
• Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
  運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。 我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。 スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
  論文  参考訳（メタデータ） (2022-03-25T16:59:08Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)

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。