論文の概要: Diffusion Tree Sampling for Inference Time Adaptation of Crystal Generative Models
- arxiv url: http://arxiv.org/abs/2611.17462v1
- Date: Thu, 12 Nov 2026 19:40:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.249985
- Title: Diffusion Tree Sampling for Inference Time Adaptation of Crystal Generative Models
- Title(参考訳): 結晶生成モデルの予測時間適応のための拡散木サンプリング
- Abstract要約: Diffusion Tree Smpling (DTS) はモンテカルロの木探索法である。
そこで本研究では,既存のプロパティ条件生成モデルをDSS内のガイド付き提案として利用する方法について述べる。
第二に、DTSを多目的サンプリングに拡張することにより、単一の検索がパレートフロント全体にまたがるサンプルを生成する。
- 参考スコア(独自算出の注目度): 18.578438596209413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion-based generative models have become strong priors over plausible crystal structures, but turning that prior into promising candidates requires steering toward several conflicting properties at once. Fine-tuning is expensive and produces a new model for every new objective, while differentiable guidance is not applicable to many real-world tasks. We instead adapt these generative models at inference time using Diffusion Tree Sampling (DTS), a Monte Carlo tree search procedure over the denoising trajectory. We make two technical contributions on top of DTS that are particularly relevant for AI-for-science applications. First, we show how to use existing property-conditional generative models (e.g., models fine-tuned for classifier-free guidance) as guided proposals inside DTS, without distorting the target distribution. Second, we extend DTS to multi-objective sampling, so that a single search produces samples spanning an entire Pareto front. We instantiate both adaptations on de novo crystal generation: improving the stability of crystals generated by different models, using pretrained conditional models to generate crystals belonging to rare space groups or with high bulk modulus, and generating crystals along a Pareto front of high dielectric constant and high bandgap materials. Across these tasks, DTS-based inference-time adaptation successfully improves model outputs without modifying the models themselves.
- Abstract(参考訳): 拡散に基づく生成モデルは、可塑性結晶構造に対して強い先行性を持つが、その先行性を有望な候補に変えるには、一度にいくつかの矛盾する性質を操る必要がある。
ファインチューニングは高価であり、新しい目的ごとに新しいモデルを生成するが、多くの現実世界のタスクでは差別化可能なガイダンスは適用できない。
その代わりに、モンテカルロ木探索法である拡散木サンプリング(DTS)を用いて、これらの生成モデルを推定時に適応する。
DTSの上に2つの技術貢献を行い、特にAI-for-scienceアプリケーションに関係しています。
まず, DTS内において, 対象分布を歪ませることなく, 既存の特性条件生成モデル(例えば, 分類子フリーガイダンスに微調整されたモデル)をガイド付き提案として用いる方法を示す。
第二に、DTSを多目的サンプリングに拡張することにより、単一の検索がパレートフロント全体にまたがるサンプルを生成する。
異なるモデルにより生成された結晶の安定性を改善し, 事前訓練された条件付きモデルを用いて, 希少な空間群あるいは高バルク率の結晶を生成し, 高誘電率および高バンドギャップ材料のパレートフロントに沿って結晶を生成する。
これらのタスク全体で、DTSベースの推論時適応はモデル自体を変更することなくモデル出力を改善することに成功した。
関連論文リスト
- LLM Meets Diffusion: A Hybrid Framework for Crystal Material Generation [25.009649087291432]
CrysLLMGenは、LLMと拡散モデルを統合するハイブリッドフレームワークであり、結晶生成にそれらの相補的な強度を利用する。
我々のフレームワークは、いくつかのベンチマークタスクやデータセットで最先端の生成モデルより優れています。
論文 参考訳(メタデータ) (2025-10-27T06:08:19Z) - DGenCTR: Towards a Universal Generative Paradigm for Click-Through Rate Prediction via Discrete Diffusion [6.189010741030871]
離散拡散に基づく2段階CTRトレーニングフレームワーク(DGenCTR)を提案する。
本発明の2段階のフレームワークは、拡散ベースの生成前訓練段階と、CTRのためのCTRを標的とした微調整段階とを含む。
論文 参考訳(メタデータ) (2025-08-20T07:42:21Z) - Kolmogorov-Arnold Energy Models: Fast and Interpretable Generative Modeling [0.0]
構造的および帰納的バイアスを利用するために,Kolmogorov-Arnold Energy Model (KAEM)を導入する。
KAEMは一般的な生成モデリングトレードオフのバランスをとり、高速な推論、解釈可能性、安定したトレーニングを提供する。
論文 参考訳(メタデータ) (2025-06-17T04:07:32Z) - Generative diffusion model with inverse renormalization group flows [0.0]
拡散モデルは、ホワイトノイズによって破損したサンプルをデノナイズすることでデータを生成する。
本稿では,データ分散のマルチスケールな性質を利用する正規化群に基づく拡散モデルを提案する。
タンパク質構造予測および画像生成への応用を通じて,モデルの汎用性を検証する。
論文 参考訳(メタデータ) (2025-01-15T19:00:01Z) - Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。
我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
論文 参考訳(メタデータ) (2024-10-28T17:25:56Z) - Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。
CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
論文 参考訳(メタデータ) (2024-02-27T08:47:19Z)
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。