物理系统的能量损失函数
计算机视觉与模式识别
2025-11-05 v1
摘要
在机器学习应用到科学领域时，充分利用系统物理知识至关重要。以往的做法主要在架构层面融入物理洞察。本文提出一种框架，直接将物理信息融入用于预测和生成建模的损失函数，适用于分子和自旋等系统。我们假设每个数据样本都处于其近似能量景观的热平衡状态。通过使用围绕数据样本的布尔oltzmann 分布的逆 KL 发散，我们得到损失函数表示为数据与模型预测之间的能量差。这一视角也将传统目标如 MSE 重新表述为能量-based，但能量在物理上缺乏意义。相比之下，我们的表述得到具有物理依据的损失函数，其梯度更符合有效配置，同时与具体的网络架构无关且计算效率高。能量损失函数本身还能固有地尊重物理对称性。我们在分子生成和自旋基态预测上演示了该方法，在基准测试中显著优于现有方法。
引用
@article{arxiv.2511.02086,
title = {Markerless Augmented Reality Registration for Surgical Guidance: A Multi-Anatomy Clinical Accuracy Study},
author = {Yue Yang and Fabian Necker and Christoph Leuze and Michelle Chen and Andrey Finegersh and Jake Lee and Vasu Divi and Bruce Daniel and Brian Hargreaves and Jie Ying Wu and Fred M Baik},
journal= {arXiv preprint arXiv:2511.02086},
year = {2025}
}