Feynman-Kac-Flow：条件流匹配推理向能量倾斜后验的引导
机器学习
2025-09-03 v1
摘要
条件流匹配（CFM）是一种快速且高质量的生成建模方法，但在许多应用中，将生成的样本引导至精确需求是有意义的。虽然梯度引导、序贯蒙特卡洛引导或Feynman-Kac引导等引导方法对于扩散模型已很成熟，但它们尚未扩展到流匹配方法中。在本工作中，我们将这一需求表述为用能量势倾斜输出。我们首次推导了CFM的Feynman-Kac引导。我们在一组合成任务上评估了我们的方法，包括在高维空间中生成倾斜分布，这对引导方法来说是一个特别具有挑战性的情况。然后我们展示了Feynman-Kac引导CFM对先前未解决的挑战的影响，即生成具有正确手性的化学反应过渡态，其中反应物或产物可以具有不同的手性，导致连接反应物和产物的可行反应路径的几何约束。本研究的代码可在 https://github.com/heid-lab/fkflow 开源获取。
引用
@article{arxiv.2509.01543,
title = {Feynman-Kac-Flow: Inference Steering of Conditional Flow Matching to an Energy-Tilted Posterior},
author = {Konstantin Mark and Leonard Galustian and Maximilian P. -P. Kovar and Esther Heid},
journal= {arXiv preprint arXiv:2509.01543},
year = {2025}
}