BoltzNCE：利用随机插值与噪声对比估计学习 Boltzmann 生成的似然分布

高效从给定能量函数的布尔兹曼分布中进行采样是建模复杂物理系统（如分子）的关键挑战。布尔兹曼生成器通过利用连续正规化流将简单先验分布转换为可通过样本似然进行重加权以匹配目标分布。尽管该方法优雅，但获取这些似然需要在积分过程中计算昂贵的雅可比矩阵，这对大型分子系统而言是不可行的。为克服这一困难，我们使用噪声对比估计 (NCE) 和得分匹配训练一个能量基模型 (EBM) 来近似似然，我们展示了该方法在单独使用任一目标函数时性能优于两者。我们在 2d 人造系统上进行测试，其中可轻易可视化失败情况，NCE 在模式加权方面优于得分匹配alone。在阿尔纳金二肽上，我们的方法获得的自由能轮廓和能量分布与使用精确似然的结果非常吻合，同时实现了 $100\times$ 的推理速度。通过在多个二肽系统上训练，我们展示了该方法在推断时也具备有效的迁移学习能力，能够推广到新系统并实现对标准分子动力学学 simulations 的至少 $6\times$ 加速。尽管近期许多生成模型努力都致力于开发快速采样的模型，但我们的工作表明设计高速似然的模型也很重要，这使得能够应用保证无偏布尔兹曼统计的重加权方案在规模上实现了可行。我们的代码可在 https://github.com/RishalAggarwal/BoltzNCE 获取。