杰弗尔斯流：基于平行换气蒸馏的鲁棒玻尔兹曼生成器用于罕见事件抽样
机器学习
2026-04-08 v1 数值分析
数值分析
计算物理
机器学习
摘要
粗糙能量景观的物理系统抽样受到罕见事件和 metastable 陷阱的阻碍。虽然玻尔兹曼生成器已提供解决方案，但其依赖反向KL散度会导致灾难性模式崩溃，在多模态分布中遗漏特定模式。本文引入杰弗尔斯流（Jeffreys Flow），一种鲁棒的生成框架，通过对平行换气轨迹的经验抽样数据使用对称杰弗尔斯散度蒸馏来缓解此故障。该表述有效平衡了局部目标寻优精度与全局模式覆盖。我们展示，最小化杰弗尔斯散度可抑制模式崩溃并通过蒸馏经验参考数据结构性地纠正固有误差。我们在高度非凸的多维基准上展示了该框架的可扩展性和准确性，包括对Replica Exchange Stochastic Gradient Langevin Dynamics中随机梯度偏差的系统性纠正，以及对Path Integral Monte Carlo中量子热态的精确重要抽样的大规模加速。
引用
@article{arxiv.2604.05303,
title = {Jeffreys Flow: Robust Boltzmann Generators for Rare Event Sampling via Parallel Tempering Distillation},
author = {Guang Lin and Christian Moya and Di Qi and Xuda Ye},
journal= {arXiv preprint arXiv:2604.05303},
year = {2026}
}