温度退火玻尔兹曼生成器
机器学习
2025-06-18 v2
摘要
对未归一化概率密度（如分子系统的玻尔兹曼分布）进行高效采样是一个长期存在的挑战。除了分子动力学或 Markov 链 Monte Carlo 等传统方法外，还引入了变分方法，例如使用反向 Kullback-Leibler 散度训练归一化流。然而，此类方法容易出现模式坍塌，且通常无法学习对整个构型空间进行采样。在此，我们提出温度退火玻尔兹曼生成器（TA-BG）来应对这一挑战。首先，我们证明了在高温下使用反向 Kullback-Leibler 散度训练归一化流而不会发生模式坍塌是可行的。此外，我们引入了基于重加权的训练目标，将分布退火至更低的目标温度。我们将此方法应用于三个复杂度递增的分子系统，与基线相比，在几乎所有指标上都取得了更好的结果，同时所需的目标能量评估次数减少了多达三倍。对于最大的系统，我们的方法是唯一能准确解析该系统亚稳态的方法。
引用
@article{arxiv.2501.19077,
title = {Temperature-Annealed Boltzmann Generators},
author = {Henrik Schopmans and Pascal Friederich},
journal= {arXiv preprint arXiv:2501.19077},
year = {2025}
}