通过受限质量输运学习玻尔兹曼生成器
机器学习
2026-03-03 v2
摘要
高维多模态未归一化概率分布的高效抽样是许多科学领域和机器学习领域的核心挑战。我们聚焦于玻尔兹曼生成器 (BG)，旨在抽样物理系统（如分子）的玻尔兹曼分布。经典的变分方法通过最小化反向 KL 散度容易出现模式崩溃，而 Annealing 方法（通常使用几何时间表）可能 suffer from mass teleportation 并高度依赖时间表调优。我们引入受限质量输运 (CMT)，这是一种在 successive steps 之间的 KL 散度和熵衰减受限条件下生成中间分布的变分框架。这些约束增强了分布间的重叠，缓解了质量跌迁，抵消了早期收敛。跨标准 BG 基准测试和本文引入的 ELIL 四肽（目前规模最大、无分子动力学样本的数据集），CMT 始终超越了最先进的变分方法，在避免模式崩溃的同时实现了超过 2.5 倍的有效样本量。
引用
@article{arxiv.2510.18460,
title = {Learning Boltzmann Generators via Constrained Mass Transport},
author = {Christopher von Klitzing and Denis Blessing and Henrik Schopmans and Pascal Friederich and Gerhard Neumann},
journal= {arXiv preprint arXiv:2510.18460},
year = {2026}
}