MetaDNS：通过温和 metadynamics 增强离散神经采样器中的探索

从离散分布中进行采样是机器学习和计算物理学中的基本问题。最近的离散神经采样器如 MDNS suffer 从模式崩溃中受限，无法采样模式之间高能垒区域，这对于自由能估计和理解相变至关重要。我们提出了一种称为 MetaDNS（Metadynamics 离散神经采样器）的通用框架，将温和 metadynamics 集成到离散扩散或自回归采样器中。通过在选定的低维坐标上保持一个自适应、历史依赖的偏置势能，MetaDNS 强制探索以前无法到达的区域，从而实现由于缺乏高能样本而无法使用标准神经采样器进行的自由能重建。在包括 Ising、Potts 以及铜-金二元合金在内的具有挑战性的低温基准测试中，MetaDNS 能够复现热力学分布。相对于基于 MCMC 的 metadynamics，MetaDNS 也仅需较少的偏置沉积步骤即可实现相当的探索能力。