Nov, 2023

超越运动学的流匹配：使用粒子标识和轨迹位移信息生成喷注

PDF
TL;DR我们介绍了第一个基于 JetClass 数据集训练的生成模型。我们的模型在组分级别生成喷注，是一个使用流匹配技术训练的排列等变连续正则化流模型 (CNF)。它以喷注类型为条件，因此可以用一个模型生成 JetClass 的十种不同类型的喷注。我们还首次介绍了一个超越喷注组分的运动特征的生成模型。JetClass 数据集包括更多特征，如粒子 ID 和轨道冲击参数，我们证明了我们的 CNF 模型也能准确建模所有这些附加特征。我们的 JetClass 生成模型扩展了现有喷注生成技术的多样性，增强了它们在高能物理研究中的潜在实用性，并提供了对所生成喷注更全面的理解。
发现论文，激发创造
  • 使用流场匹配和扩散方法快速生成颗粒云

    在本文中，我们提出了两种新的方法，以高效准确地生成大型高度相关的 LHC 喷注点云。我们引入了 'epcjedi'，它将分数匹配扩散模型与基于深度集合框架的 'EPiC' 架构相结合；我们还引入了 'epcfm'，它是第一个用于粒子云生成的置换等变连续归一化流。我们的实验表明，'epcjedi' 和 'epcfm' 在维持快速生成速度的同时，都达到了最先进的表现。值得注意的是，我们发现 'epcfm' 模型在每个指标上始终优于其他所有考虑的生成模型。此外，我们还引入了两个新的粒子云性能度量，第一个是基于特征分布的 Kullback-Leibler 散度，第二个是多模型 ParticleNet 分类器的负对数后验。

    Sep, 2023

  • 生成建模中的流匹配

    基于连续归一化流的生成建模范例中，发现使用流匹配方法与扩散路径一起训练更具有鲁棒性和稳定性，并且可以开启使用优化运输插值定义的非扩散概率路径，该方法比传统扩散模型更适用于训练 ImageNet，并能快速生成可靠采样结果。

    Oct, 2022

  • 等变流匹配

    本文提出了一种新的训练目标 equivariant flow matching，该方法是基于最近提出的 optimal transport flow matching，利用目标能量的对称性来对称等变 CNFs 进行高效的仿真 - free 训练，在许多粒子系统和小分子 alanine dipeptide 中展示了我们方法的有效性，我们首次获得了一个具有显着采样效率的 Boltzmann 生成器，而不依赖于定制的内部坐标特征选取。

    Jun, 2023

  • 马尔可夫流匹配：用连续正规化流加速 MCMC

    通过建模生成概率路径的向量场，连续归一化流（CNFs）利用神经网络学习参考密度与目标密度之间的概率路径。本文重新利用流匹配（FM）方法，结合马尔可夫采样方法评估 FM 目标和使用学习的概率路径改进蒙特卡洛采样，将该方法用于概率推断。我们提出了一种顺序方法，利用马尔可夫链的样本修正定义 FM 目标的概率路径。我们增加了自适应调节机制以发现目标中的多个模式。在温和的假设下，我们证明了 FM 目标的局部最优收敛性，讨论了收敛速率的改进，并在合成和真实世界示例中说明了我们的方法。

    May, 2024

  • 引导式流生成建模与决策

    使用非分类器引导的流匹配模型在条件图像生成和语音合成方面显著改善了样本质量，而且在计算量极低的情况下不会影响智能体的总体性能。

    Nov, 2023

  • 三维全新分子生成的混合连续和分类流匹配

    在这项研究中，我们探索了用于生成化学分子的流匹配框架的扩展，该框架在 3D 分子生成方面取得了良好性能，并通过构建在概率简单形式上存在的流来对分类数据进行扩展，从而实现了改进的性能。

    Apr, 2024

  • 基于分配流形上的 E - 泛地测流匹配的离散联合分布生成建模

    该研究介绍了一种新颖的生成模型，基于连续归一化流在分解离散度量子流形上。在逐渐整合流中分配类别，避免了离散化潜在连续模型时出现的舍入、样本截断等问题。通过将子流形嵌入到所有联合离散分布的超单纯体中并进行数据驱动的平均，可以逼近能表示结构离散数据的复杂统计依赖关系的一般非分解离散分布。通过匹配分解离散分布的测地线流来展示了该生成模型的有效训练，各种实验突显了该方法的广泛适用性。

    Feb, 2024

  • 具有混合概率传输的等变流匹配

    通过引入几何流匹配，本文在特征稳定的概率动力学和同态建模之间提出了一个混合概率路径，用于 3D 分子的生成，并在多个分子生成基准测试中实现了更好的性能和平均 4.75 倍的采样速度提升。

    Dec, 2023

  • 离散数据上生成建模的费舍尔流匹配

    Fisher-Flow 是一种用于离散数据生成建模的新型流匹配模型，采用几何学观点，将离散数据视为在统计流形上的点，通过转移沿 $d$- 超球面上的（闭合形式）测地线上的质量来定义流，可以优化训练动力学，提高性能，并在合成和实际基因序列设计等多个领域中优于传统扩散和匹配模型。

    May, 2024

  • 利用消息传递生成对抗网络生成粒子云

    本文介绍了高能物理领域的 Jets 和它们在 LHC 对撞机中的存在，针对该领域存在的数据表示问题，提出了一种新的基于 Particle cloud 的数据集 JetNet，并开发出名为 MPGAN 的新型生成模型，实验结果表明 MPGAN 在各项指标上均表现优异，未来有望被用于高能物理领域。同时，为了促进研究和提高可访问性和可重复性，开源了 JetNet Python Package，提供了接口，实现了评估和损失度量等工具。

    Jun, 2021