論文の概要: Bridging Stochastic Flow Maps and Boltzmann Generators with Normalizing Flows

• arxiv url: http://arxiv.org/abs/2609.31978v1
• Date: Fri, 25 Sep 2026 20:31:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:08:59.867606
• Title: Bridging Stochastic Flow Maps and Boltzmann Generators with Normalizing Flows
• Title（参考訳）: 正規化流れを伴うブリッジング確率流図とボルツマン発生器
• Abstract要約: 生成モデルを最後に修正する正規化フローマップ(NF$2$M)を導入する。 NF$2$Mは、生成が進むにつれて各デノイング遷移を反映し、最終的に破棄される軌跡上の無駄な計算を避ける。 ペプチド系におけるNF$2$Mの評価を行い, サンプリング効率と試料品質が改善された。
• 参考スコア（独自算出の注目度）: 5.110553824402214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating independent, equilibrium samples of molecular systems at scale remains a central obstacle in computational statistical mechanics. Boltzmann Generators address this by pairing a generative model with importance sampling to obtain consistent samples from the target distribution. We introduce Normalizing Flow Flow Maps (NF$^2$M), which combines the strengths of recent stochastic flow maps with the tractability of classic normalizing flows to build a Boltzmann Generator. Unlike most methods, which correct the generative model only at the end, NF$^2$M reweighs each denoising transition as generation proceeds, avoiding wasted compute on trajectories that are ultimately discarded. At each denoising step, a conditional normalizing flow proposes clean configurations given the current noisy state (a simpler task than sampling directly from the target) and its exact likelihood enables correcting each proposal toward the true denoising transition of the target Boltzmann distribution. This is in contrast to most existing methods, whose likelihoods are approximate or expensive to evaluate, undermining the statistical reliability of the correction. We establish consistency of the corrected transitions and bound how approximation errors propagate through the sampling chain. We evaluate NF$^2$M on peptide systems, demonstrating improved sampling efficiency and sample quality.
• Abstract（参考訳）: 大規模に分子系の独立した平衡サンプルを生成することは、計算統計力学において中心的な障害である。 ボルツマン・ジェネレータは、対象分布から一貫したサンプルを得るために、重要なサンプリングを持つ生成モデルを組み合わせることでこの問題に対処する。 我々は,近年の確率フローマップの強みと古典正規化フローのトラクタビリティを組み合わせた正規化フローマップ(NF$^2$M)を導入し,ボルツマン生成器を構築する。 生成モデルを最後に修正するほとんどの方法とは異なり、NF$^2$M は生成が進むにつれて各デノゲーション遷移を反映し、最終的に破棄される軌道上の無駄な計算を避ける。 各デノナイジングステップにおいて、条件正規化フローは、現在のノイズ状態(ターゲットから直接サンプリングするよりも単純なタスク)が与えられたクリーンな構成を提案し、その正確な精度は、ターゲットボルツマン分布の真のデノナイジング遷移に対して各提案を補正することができる。 これは、ほとんどの既存の手法とは対照的であり、その確率は近似的あるいは評価に高価であり、補正の統計的信頼性を損なう。 補正された遷移の整合性を確立し、近似誤差がサンプリングチェーンを介してどのように伝播するかを束縛する。 ペプチド系におけるNF$^2$Mの評価を行い, サンプリング効率と試料品質が改善された。

関連論文リスト

• FUND: Density Flow for Sampling Unnormalised Distributions [5.204468049641428]
  トレーニングに真のサンプルを必要としないボルツマン分布の学習アルゴリズムを提案する。 本稿では,2次元ガウス混合法,多値分布法,高次元スカラー4$理論など,標準ベンチマークによる評価を行った。
  論文  参考訳（メタデータ） (2026-09-26T06:40:13Z)
• Tilt Matching for Scalable Sampling and Fine-Tuning [4.14348726233299]
  本研究では,非正規化密度のサンプルや微調整生成モデルに補間剤を用いるスケーラブルなアルゴリズムを提案する。 ティルトマッチング(Tilt Matching)という手法は、流れのマッチング速度と、報酬によって傾いた同じ分布をターゲットにした力学方程式から生じる。 我々は,この手法が効率的かつ高度に拡張可能であることを実証的に検証し,レナード・ジョーンズポテンシャルの下でのサンプリングにおける最先端の結果を提供し,微調整安定拡散に競争力を持つことを示した。
  論文  参考訳（メタデータ） (2025-12-26T02:12:10Z)
• FALCON: Few-step Accurate Likelihoods for Continuous Flows [78.37361800856583]
  本稿では,FALCON(Few-step Accurate Likelihoods for Continuous Flows)を提案する。 FALCONは分子ボルツマンサンプリングのための最先端の正規化フローモデルより優れており、同等の性能を持つCNFモデルよりも2桁高速である。
  論文  参考訳（メタデータ） (2025-12-10T18:47:25Z)
• Gaussian Mixture Flow Matching Models [63.092956669059824]
  拡散モデルは正規分布をガウス平均として近似し,その平均を推定する一方,フローマッチングモデルはガウス平均をフロー速度としてパラメータ化する。 離散化誤差による数段階のサンプリングでは性能が低下し、分類器フリーガイダンス(CFG)では過飽和色が生じる傾向にある。 本稿では,CFGの過飽和問題を緩和し,画像生成品質を向上する新しい確率的ガイダンス手法を提案する。
  論文  参考訳（メタデータ） (2025-04-07T17:59:42Z)
• Scalable Equilibrium Sampling with Sequential Boltzmann Generators [60.00515282300297]
  Boltzmannジェネレータフレームワークを2つの重要なコントリビューションで拡張する。 1つ目は、全原子カルテシアン座標で直接動作する非常に効率的なトランスフォーマーベースの正規化フローである。 特に,連続モンテカルロの連続時間変種を用いて,流れサンプルの推論時スケーリングを行う。
  論文  参考訳（メタデータ） (2025-02-25T18:59:13Z)
• Stochastic Normalizing Flows [2.323220706791067]
  単純な事前分布の変換を学習するために,フローの正規化が有効であることを示す。 サンプルとフローパラメータの両方をエンドツーエンドに最適化できる効率的なトレーニング手順を導出する。 いくつかのベンチマークでSNFの表現力,サンプリング効率,正当性について述べる。
  論文  参考訳（メタデータ） (2020-02-16T23:29:32Z)

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。