論文の概要: Neural Transport Nested Sampling

• arxiv url: http://arxiv.org/abs/2609.29413v1
• Date: Thu, 24 Sep 2026 11:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.887076
• Title: Neural Transport Nested Sampling
• Title（参考訳）: ニューラルトランスポートネストサンプリング
• Abstract要約: 我々は分子系のボルツマンの新しいサンプリングアルゴリズムを開発した。 ネストサンプリングの古典的な強みと、現代のニューラルフローベースの手法を組み合わせる。 これは、校正された温度分解された分割関数の見積を返した最初のニューラルサンプリングである。
• 参考スコア（独自算出の注目度）: 0.5461938536945722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling from Boltzmann distributions of molecular systems is an inference problem that has seen significant recent developments fuelled by advances in neural density estimation. We develop a novel sampling algorithm, Neural Transport Nested Sampling (NTNS), which combines the classical strengths of nested sampling with modern neural flow-based methods. NTNS uses a flow matching velocity as the drift in a Metropolis--Hastings corrected Langevin kernel inside a nested sampling outer loop, requiring only evaluations of the target energy function and providing scalable estimation of the full partition function of high-dimensional particle systems. We benchmark NTNS on challenging molecular sampling benchmarks, scaling up to Lennard--Jones clusters of 55 interacting particles, where it reduces both interatomic distance and energy Wasserstein errors to reference MCMC by over an order of magnitude relative to the strongest neural baselines at lower wall-clock cost. To our knowledge, NTNS is also the first neural sampler to return a calibrated, temperature resolved partition function estimate at this scale, recovering the phase structure across temperature from a single run.
• Abstract（参考訳）: 分子系のボルツマン分布からのサンプリングは推論問題であり、神経密度推定の進歩によって、近年顕著な発展を遂げている。 ネストサンプリングの古典的強みと現代のニューラルフローに基づく手法を組み合わせた,新しいサンプリングアルゴリズムであるニューラルトランスポートネストサンプリング(NTNS)を開発した。 NTNSは、ネストしたサンプリング外ループ内のメトロポリス-ハスティングス補正ランゲヴィン核のドリフトとしてフローマッチング速度を使用し、ターゲットエネルギー関数の評価のみを必要とし、高次元粒子系の全分配関数のスケーラブルな評価を提供する。 NTNSは、分子サンプリングベンチマークの挑戦、55個の相互作用粒子からなるレナード-ジョーンズクラスターへのスケーリング、そして、原子間距離とエネルギーのワッサースタイン誤差を、より低いウォールクロックコストで最強の神経ベースラインと比較して桁違いに減らし、MCMCを参照する。 我々の知る限り、NTNSは、このスケールで校正された温度分解分割関数を推定し、単一ランから温度間の位相構造を回復した最初のニューラルサンプリングである。

関連論文リスト

• Deciphering Neural Reparameterized Full-Waveform Inversion with Neural Sensitivity Kernel and Wave Tangent Kernel [67.14508461124932]
  フルウェーブフォーム・インバージョン(FWI)は、限られた境界測定から波動方程式の未知のパラメータを推定する。 ニューラルリパラメータ化FWI(NeurFWI)の最近の進歩は、ニューラルネットワークを用いたパラメータを表現することによって、高品質な初期モデルとウェーブフィールドデータへの依存を減らすことができることを示している。 本研究では,ニューラル・センシティブ・カーネル (NSK) とウェーブ・タンジェント・カーネル (WTK) を構築し,それらの収束挙動をモデル領域とデータ領域の両方から解析する。
  論文  参考訳（メタデータ） (2026-05-14T04:49:23Z)
• Controlled Langevin Dynamics for Sampling of Feedforward Neural Networks Trained with Minibatches [39.659397690260256]
  本稿では,大規模データセットで訓練されたフィードフォワードニューラルネットワークのボルツマンサンプリングを,ミニバッチを用いて制御的に行うことができる擬似ラジヴィン(pL)ダイナミクスを提案する。 性能ベンチマークでは、hMCはネットワークサイズが大きくなるにつれて急速に非効率になるが、pLスキームは高い計算拡散を維持し、100万以上のパラメータを持つネットワークに好適にスケールすることを示した。
  論文  参考訳（メタデータ） (2026-03-16T14:42:11Z)
• A Deep-Learning-Boosted Framework for Quantum Sensing with Nitrogen-Vacancy Centers in Diamond [12.497803457724325]
  ダイヤモンド中の窒素空孔中心は、ナノスケール空間分解能を持つ磁場、温度、ひずみの高感度測定のための多用途量子センシングプラットフォームである。 ここでは、1次元畳み込みニューラルネットワーク(1D-CNN)に基づくリアルタイムODMR解析のための堅牢で効率的な機械学習フレームワークを紹介する。 ナノダイアモンドプローブによる細胞内温度変化の診断と高温超伝導体における超伝導渦の広視野イメージングの2つの代表的応用で本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2026-03-16T02:02:14Z)
• NVRNet: Deep Learning Model for Fast Nitrogen Vacancy Characterization under Room Temperature [2.6383100880758663]
  NVRNetは物理インフォームド・シミュレーション・トゥ・リアリティー・パイプラインである。 これは、ノイズの多いラムゼイ光発光跡の高速な取得をノイズ化された波形にマッピングする。 これは超微細結合を環境中の13mathrmC$スピンに推定する。
  論文  参考訳（メタデータ） (2026-03-14T22:20:57Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Neural Flow Samplers with Shortcut Models [19.81513273510523]
  連続フローベースのニューラルサンプリングは、非正規化された密度からサンプルを生成するための有望なアプローチを提供する。 速度駆動型Sequential Monte Carlo法を用いて,これらの課題量に対する改良された推定器を提案する。 提案するニューラルフローショートカットサンプリングは,合成データセットと複雑なnボディシステムターゲットの両方において,既存のフローベースニューラルサンプリングよりも経験的に優れている。
  論文  参考訳（メタデータ） (2025-02-11T07:55:41Z)
• Neural Sinkhorn Gradient Flow [11.4522103360875]
  本稿では,ワッサーシュタイン勾配流の時間変化速度場をパラメータ化したニューラルシンクホーン勾配流(NSGF)モデルを提案する。 理論解析により, 試料径が無限大に大きくなるにつれて, 経験的近似の平均場限界は真の基礎速度場に収束することが示された。 高次元タスクにおけるモデル効率をさらに高めるために、二相NSGF++モデルが考案された。
  論文  参考訳（メタデータ） (2024-01-25T10:44:50Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
  初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。 幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
  論文  参考訳（メタデータ） (2023-02-01T03:18:07Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• TT-NF: Tensor Train Neural Fields [88.49847274083365]
  そこで本研究では,Train Neural Fields (TT-NF) と呼ばれる新しい低ランク表現を導入した。 ダウンストリームタスク品質指標に対する低ランク圧縮の影響を解析する。
  論文  参考訳（メタデータ） (2022-09-30T15:17:39Z)

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。