非平衡退火伴随采样器

最近, 学习基于扩散采样器的进展显著, 旨在从给定的非标准化密度函数中进行采样。许多方法将采样任务表述为基于标准无信息参考过程的随机最优控制 (SOC) 问题, 这限制了其有效引导轨迹朝目标分布的能力。本文提出了非平衡退火伴随采样器 (NAAS), 一种新的基于 SOC 的扩散框架, 其采用退火参考动力学作为非平稳基准 SDE。这种退火结构为向目标分布的自然过程提供了动力学引导, 并生成信息丰富的参考轨迹, 从而增强了控制学习的稳定性和效率。凭借我们的 SOC 表述, 本框架可以集成多种 SOC 求解器, 从而在算法设计方面提供了高度的灵活性。以一种受伴随匹配启发的精简伴随系统为实例, 我们实现了高效可扩展的训练。我们在包括经典能量景观和分子布朗分布采样在内的多个任务中展示了 NAAS 的有效性。