Boltzmann Generators that are transferable across chemical space are proposed to generate approximate samples of molecular systems, enabling efficient reweighting to the target distribution of unseen systems and enhancing the efficiency of training on single molecular systems.

Jun, 2024

本文介绍一种基于神经网络的 Boltzmann 生成器，以取代传统 molecular dynamics 方法，加速复杂大分子如蛋白质的能量表面探索。

Feb, 2023

本文介绍了一种新型的深度卷积神经网络结构，它通过在三维空间中顺序放置原子来生成分子平衡结构，该模型估计分子配置的联合概率，并演示了其可以在 C$_7$O$_2$H$_{10}$ 的同分异构体中生成接近平衡的分子。

Oct, 2018

本文介绍一种新型深度学习框架 Distributional Graphormer (DiG)，利用神经网络来预测分子系统的平衡分布，能有效地生成不同构象，并提供状态密度估计，该框架在多种分子任务中表现出色，为统计理解分子系统提供了显著的方法学进展。

Jun, 2023

通过学习物理系统中热力学量的 Boltzmann 机器，通过自发的学习机器，我们训练了 Boltzmann 机器， 并通过其生成的自旋状态检验热力学可观测量与直接 MC 采样的差距，证明了 Boltzmann 机器能够忠实地再现物理系统的可观测量，并观察到随着系统接近临界状态需要更多的神经元以获得准确的结果。

Jun, 2016

本文介绍了通过等变流建立的 Boltzmann Generators, 以便推广其结果，同时演示了一个等变 BG 可以推广到采样非平凡的新配置。

Oct, 2019

我们开发了一种构造性方法来生成人工神经网络，代表大量多体格子哈密顿量的准确基态。它基于深层玻尔兹曼机架构，在其中，隐藏层的两层中介绍了可见层中的物理自由度之间的量子相关性。通过对物理和神经元自由度的配置进行采样，可以测量物理量，并获得基态的紧凑、准确的网络表示，而且完全是确定性的。有了我们的方法，作为多体量子系统的紧凑、经典表示，它是标准路径积分的一种替代方案，也有可能对基于受限玻尔兹曼机架构的数值方法进行系统改进。

Feb, 2018

本研究探索了神经网络训练算法与自然过程如蛋白质折叠和进化之间的相似性，使用统计物理中 Fokker-Planck 方法将它们在一个统一的框架下探索，研究了在长时间极限下系统的稳态和出现的熵产生率，验证了涉及到这些数值的图谱存在扰动定理，提出了一种新的随机梯度 Langevin 动力学（SGLD）算法，可以应用于贝叶斯机器学习中从后验分布中获取网络权重。

Jun, 2023

使用 GFlowNet 从玻尔兹曼分布中对小分子进行构象采样的方法，可以与不同准确性的能量估计方法结合使用，并为高度柔性的药物样品发现一组多样性的低能量构象。该方法通过比例抽样来复现分子的势能表面。

Oct, 2023

本文提出使用煞费苦心、模拟非平衡统计力学的方法，通过迭代向前的扩散过程来系统性地破坏数据分布中的结构，并学习一个可以还原数据结构的逆向扩散过程，从而快速学习、采样、评估深度生成模型中的概率。

Mar, 2015