基于对抗分布对齐的生成模型桥接仿真-实验鸿沟
机器学习
2026-04-02 v1 材料科学
生物大分子
摘要
科学与工程中的一个根本性挑战是仿真到实验的鸿沟。尽管我们常常掌握物理定律的先验知识，但这些物理定律对于复杂系统来说过于难以精确求解。此类系统通常使用仿真器进行建模，这些仿真器引入了计算近似；而实验测量则更忠实地代表真实世界，但实验数据通常仅部分反映系统完整底层状态。我们提出了一种数据驱动的分布对齐框架，通过在完全观测(但不完美)的仿真数据上预训练生成模型，然后将其与部分(但真实)的实验观测数据对齐。虽然该方法具有域无关性，但我们在物理科学领域引入对抗分布对齐(ADA)方法。该方法将初始在模拟布尔坦玛尔分布上训练的原子位置生成模型，对齐实验观测分布。我们证明了该方法能够恢复目标可观测分布，即使存在多个且可能相关的可观测量。我们还在合成数据、分子数据和实验蛋白质数据上经验性地验证了该框架，表明它能够将生成模型与多样化的可观测量对齐。我们的代码已公开：https://kaityrusnelson.com/ada/.
引用
@article{arxiv.2604.01169,
title = {Bridging the Simulation-to-Experiment Gap with Generative Models using Adversarial Distribution Alignment},
author = {Kai Nelson and Tobias Kreiman and Sergey Levine and Aditi S. Krishnapriyan},
journal= {arXiv preprint arXiv:2604.01169},
year = {2026}
}