本研究通过将问题分为精细程度和粗粒程度两个层面来解决 Boltzmann 分布的高效采样问题。利用粗粒程度空间上的条件正则流，实现了两个层面之间的概率联系，并使用主动学习的粗粒程度模拟来探索构型空间，从而在必要时更新流和进行全原子势能评估，通过丙氨酸二肽的实例表明，与当前最先进的机器学习方法相比，本方法在分子动力学仿真加速上可达到 15.9 至 216.2 倍的加速比。

Feb, 2024

本文介绍了一种使用混合变换的规范连续流方法，可应用于计算力和高阶导数所需的平滑密度函数，并可用于分子动力学模拟。

Oct, 2021

我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束，并实现了任意保持维度的神经网络作为最大似然训练的生成模型，在分子生成基准测试中取得了出色的结果，同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。

Oct, 2023

该研究介绍了分段归一化流，将目标分布划分为具有更好匹配标准正态基本分布拓扑结构的群集，并训练一系列流来建模复杂的多模式目标。

May, 2023

机器学习技术特别是所谓的标准化流在蒙特卡洛模拟中变得越来越受欢迎，因为它们可以有效地逼近目标概率分布。在格点场论中，目标分布由作用的指数给出。我们提出了一种基于 REINFORCE 算法的标准化流估计器，避免了相关的计算问题，应用于临界维度的二维 Schwinger 模型，并显示它相比重新参数化技巧估计器的墙钟时间更快，内存需求减少了 30％，数值上更稳定，并允许进行单精度计算和使用半浮点张量核心。我们深入分析了这些改进的原因，这些优点也将出现在目标概率分布计算复杂的其他领域中。

Aug, 2023

本文介绍了归一化流在高维矩阵行列式计算和神经网络可逆变换这两个应用挑战中的巧妙应用，并使用三孔梁桥、拱桥、斜拉桥和悬索桥的对称结构图像数据集构建和训练了基于 TensorFlow Probability 库中的 Glow API 的归一化流模型，使其能够将桥梁数据集的复杂分布平滑地转换为标准正态分布，并通过对获得的潜在空间进行采样，生成与训练数据集不同的新桥梁类型。

Jan, 2024

本文介绍一种使用正则化流方法对晶格场论的 Boltzmann 分布进行采样的方法，特别是在 U（1）规范理论中应用流动方法的编码，以产生包含规范对称性的物理量的结果。

Jan, 2021

本文提出了一种引入张量网络构造的参考分布的扩展归一化流模型，将其应用于困难的变分推断任务中，显示出优于单独使用流或张量网络的结果。

May, 2023

提出了随机归一化流的概念，它是一种在机器学习和统计力学领域中解决概率分布采样问题的方法，具有较快的采样效率和较强的表示能力。

Feb, 2020

提出了一种基于 VAE 的生成模型，该模型联合训练了基于正则化流的潜在空间分布和到观察到的离散空间的随机映射，解决了直接对离散序列应用正则化流所面临的挑战，并具有可比拟的性能和流灵活性。

Jan, 2019