FEAT：基于自适应传输的自由能估计器
机器学习
2026-01-19 v3 机器学习
化学物理
计算物理
摘要
我们提出了基于自适应传输的自由能估计器 (FEAT)，这是一套用于自由能估计的新型框架——这一挑战在多个科学领域中都至关重要。FEAT 利用通过随机插值实现的学习传输机制，提供基于遗逃 Jarzynski 定律和受控 Crooks 定理的一致且最小方差估计器，以及自由能差的变分上界和下界。将平衡方法和非平衡方法在单个理论框架下统一，FEAT 为神经网络自由能计算建立了原则性基础。针对玩具示例、分子仿真和量子场论的实验验证表明，FEAT 在现有基于学习的方法上取得了改进。我们的 PyTorch 实现已发布于 https://github.com/jiajunhe98/FEAT。
引用
@article{arxiv.2504.11516,
title = {FEAT: Free energy Estimators with Adaptive Transport},
author = {Jiajun He and Yuanqi Du and Francisco Vargas and Yuanqing Wang and Carla P. Gomes and José Miguel Hernández-Lobato and Eric Vanden-Eijnden},
journal= {arXiv preprint arXiv:2504.11516},
year = {2026}
}
备注
Accepted to NeurIPS 2025; the first two authors contribute equally to this work