通过生成式Gibbs抽样组合带显式物理上下文的扩散先验

预训练的扩散模型提供强大的学习到的先验，但在科学抽样中，目标分布往往取决于未被单一生成模型完全表示的物理上下文。我们引入Generative Gibbs for Physics-Aware Sampling（GG-PA），一种训练无关的框架，将部分学习先验与显式物理上下文的组合建模为增广状态空间中联合目标分布的推断。我们推导了该联合目标的Gibbs抽样器，证明当扩散时间趋于零时其渐近精确；并证明在具有二次相互作用的情形下，扩散时间为有限时仍然精确。我们进一步引入扩散时间上的复制交换以加速混合。在双井系统、$\phi^4$晶格模型和原子分子肽系统的实验中显示，GG-PA在无需重新训练的情况下使用部分先验恢复上下文引起的分布迁移以及相互作用系统中涌现的集体行为。这些结果表明GG-PA是一种实用的将预训练生成先验与显式物理上下文相结合的方法。