通过开发基于 SE (3) 等变扩散模型的目标感知模型,可以更快速准确地研究反应的过渡态结构,从而揭示其反应机制和反应网络。
Apr, 2023
提出了一种名为 ProgOT 的新类 EOT 求解器,它能够估计计划和传输映射,通过使用时间离散化分割质量位移、从动态 OT 公式获得启示并利用适当安排的参数使用 EOT 来征服这些步骤,我们提供了实验证据表明,在计算大规模耦合时,ProgOT 是快速且更可靠的替代标准求解器,甚至优于基于神经网络的方法,并且还证明了我们的方法在估计最优传输映射时具有统计一致性。
Jun, 2024
本短篇论文着重回顾了优化输运相关理论(Optimal transport theory)及其在数据科学中的应用,重点在于阐述其针对分类、回归、密度拟合等机器学习等领域的优势,介绍了它的数值方法,并介绍了一些学术性质。
Mar, 2018
该研究通过引入一种基于随机扩散方法的新型机器学习模型 TSDiff,从分子连接性的 2D 图中生成转化态的 3D 几何结构,生成模型方法使得模型能够采样出多种有效的转化态构象,可以用于探索复杂反应及考虑多种转化态构象的反应研究。
提出一种新的随机优化算法来应对机器学习中遇到的大规模问题,该方法利用任意分布的样本来避免将密度值离散化,并提供了可证明收敛的方法,输出正确的距离。
May, 2016
该论文研究了利用折旧优化技术来预测最优输运映射的应用,称之为 “元优化传输”(Meta OT)。它提高了标准方法的计算效率,并改进了收敛速率。
Jun, 2022
本文将 Kohn-Sham 密度泛函理论中的强相互作用极限场景,重新表述为最优输运问题,并且使用这一链接来夯实密度泛函理论在强相互作用极限的基础,并讨论其潜在的实用方面。
May, 2012
提出了一种名为 SPOT(Scalable Push-forward of Optimal Transport)的基于隐式生成学习的方法来解决 “最优传输”(Optimal Transport,OT)中的可扩展性问题,该方法通过引入参考分布而近似最优传输计划,并将其转化为极小极大问题。实验结果表明 SPOT 系统具有可靠性和较好的收敛性,并允许从最优传输计划中高效采样,从而有利于领域适应等下游应用。
May, 2019
该论文提出了一种名为 GOAT 的新的 3D 分子生成框架,基于流匹配最优传输目标,实现快速有效的 3D 分子生成。
May, 2024
基于锚点空间最优传输问题,提出三种方法来加速实际多个最优传输问题的处理,实验证明本文的方法可以在保持合理逼近性能的同时大大减少计算时间。
Oct, 2023