論文の概要: WASABI: Wasserstein Sampling via Bridge Interpolants

• arxiv url: http://arxiv.org/abs/2610.41958v1
• Date: Fri, 30 Oct 2026 16:10:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.805413
• Title: WASABI: Wasserstein Sampling via Bridge Interpolants
• Title（参考訳）: ワサビ:橋梁補間によるワッサーシュタインサンプリング
• Abstract要約: 橋梁補間材(WAASABI)によるワッサースタインサンプリング エネルギー関数にのみアクセス可能な対象ボルツマン分布からサンプルを生成する拡散モデルを訓練する。 WASABIは、その拡散モデルによって生成された分布とボルツマン目標とのKL分散をワッサーシュタイン勾配流を用いて最小化する。
• 参考スコア（独自算出の注目度）: 16.319826018349797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling from Boltzmann distributions is a fundamental problem in physics, chemistry, and biology. We introduce WAsserstein SAmpling via Bridge Interpolants (WASABI), a method that trains a diffusion model to generate samples from a target Boltzmann distribution given access only to the energy function. WASABI minimizes the KL divergence between the distribution generated by its diffusion model and the Boltzmann target using Wasserstein gradient flows. This approach builds on a principle underlying classical sampling methods such as Langevin dynamics. However, applying Wasserstein gradient flows to diffusion models is challenging because the updates require the gradient of the model's own log density, which is generally intractable. We derive a practical training algorithm that avoids computing this gradient. Once trained, WASABI can generate new samples without further evaluations of the energy or its gradient. On alanine dipeptide, WASABI outperforms the best reported baselines using an estimated 3.3 times fewer energy evaluations. It also achieves competitive performance on interacting particle system benchmarks.
• Abstract（参考訳）: ボルツマン分布からのサンプリングは物理学、化学、生物学の基本的な問題である。 本稿では,エネルギー関数にのみアクセス可能な対象ボルツマン分布から試料を生成するために拡散モデルを訓練するWAsserstein SAmpling via Bridge Interpolants (WASABI)を紹介する。 WASABIは、その拡散モデルによって生成された分布とボルツマン目標とのKL分散をワッサーシュタイン勾配流を用いて最小化する。 このアプローチは、Langevin dynamicsのような基礎となる古典的なサンプリング手法に基づいている。 しかし、ワッサーシュタイン勾配流を拡散モデルに適用することは、更新がモデル自身のログ密度の勾配を必要とするため、一般的には難解である。 この勾配の計算を避けるための実践的なトレーニングアルゴリズムを導出する。 トレーニングが完了すると、WASABIはエネルギーや勾配のさらなる評価なしに新しいサンプルを生成することができる。 アラニンジペプチドでは、WASABIは推定3.3倍のエネルギー評価を用いて最も報告されたベースラインを上回っている。 また、相互作用するパーティクルシステムベンチマーク上での競合性能も達成している。

関連論文リスト

• One-Step Generative Modeling via Wasserstein Gradient Flows [56.266175641614986]
  W-Flowは、単純な参照分布からサンプルをターゲットデータ分布からサンプルに変換するジェネレータを1ステップでトレーニングするフレームワークである。 我々は1ステップのImageNet 256$times$256 生成のための新しい技術状況を設定し、モードカバレッジとドメイン転送を改善した 1.29 FID を達成した。
  論文  参考訳（メタデータ） (2026-05-12T08:29:44Z)
• Sampling Boltzmann distributions via normalizing flow approximation of transport maps [0.14323566945483493]
  基準測度と真のボルツマン分布の間の正規化フローの存在をワッサーシュタイン距離における任意の小さな誤差まで証明する。 我々は、RealNVPアーキテクチャが平衡ボルツマン分布だけでなく、メタスタブルダイナミクスをうまく捉えていることを観察する。
  論文  参考訳（メタデータ） (2026-03-15T07:28:10Z)
• BoltzNCE: Learning Likelihoods for Boltzmann Generation with Stochastic Interpolants and Noise Contrastive Estimation [1.2874523233023452]
  ボルツマン分布からの効率的なサンプリングは、分子のような複雑な物理系をモデル化する上で重要な課題である。 我々は、ノイズコントラスト推定(NCE)とスコアマッチングの両方を用いて、エネルギーベースモデル(EBM)を訓練する。 また,提案手法では,実効的な転送学習を行い,推論時に新しいシステムに一般化し,標準MDよりも少なくとも6倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-07-01T15:18:28Z)
• Adjoint Schrödinger Bridge Sampler [27.07623265593163]
  Adjoint Schr"odinger Bridge Sampler (ASBS) は、シンプルでスケーラブルなマッチングベースの目的を持つ新しい拡散サンプリングである。 ASBSはシュリンガー橋という数学的モデルに基づいており、速度論的・最適輸送によってサンプリング効率を高める。
  論文  参考訳（メタデータ） (2025-06-27T18:27:59Z)
• Consistent Sampling and Simulation: Molecular Dynamics with Energy-Based Diffusion Models [50.77646970127369]
  本稿では,Fokker-Planck由来の正規化項を用いたエネルギーベース拡散モデルを提案する。 高速折りたたみタンパク質を含む複数の生体分子系をサンプリング・シミュレートし,本手法を実証する。
  論文  参考訳（メタデータ） (2025-06-20T16:38:29Z)
• Progressive Inference-Time Annealing of Diffusion Models for Sampling from Boltzmann Densities [93.13866975467549]
  拡散に基づくサンプル学習のために, PITA(Progressive Inference-Time Annealing)を提案する。 PITAはボルツマン分布のアナーリングと拡散平滑化という2つの相補的手法を組み合わせたものである。 N-体粒子系、アラニンジペプチド、トリペプチドの平衡サンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-19T17:14:22Z)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• Large-Scale Wasserstein Gradient Flows [84.73670288608025]
  ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。 我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。 その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
  論文  参考訳（メタデータ） (2021-06-01T19:21:48Z)

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。