Apr, 2024

基于可微的热性质深度生成模型的正则系综建模

PDF
TL;DR提出了一种具有可微温度的变分建模方法，通过深度生成模型，在连续温度范围内同时估计和最小化自由能，应用于研究 Ising 模型和 XY 模型中的相变，并显示出相对于 Markov Chain Monte Carlo（MCMC）模拟更高效准确的直接采样模拟，此外，这种方法能够以温度的可微函数给出热力学量，与精确解的自由能二阶导数非常接近，因此这种温度依赖性的包含使得原来有偏差的变分模型能够捕捉到相变中的微妙热效应，这些发现为使用深度生成模型直接模拟物理系统提供了新的思路。
variational modellingdeep generative modelphase transitionsdirect-sampling simulationmarkov chain monte carlo simulation
发现论文，激发创造
  • 使用深度生成模型估计格点场论中的热力学物 observables

    本文展示应用深度生成机器学习模型于晶格场论中，可用于解决马尔可夫链蒙特卡罗方法面临问题的前途。特别地，我们展示了生成模型可用于估算自由能的绝对值，这与现有的基于 MCMC 的方法仅估算自由能差异有所不同。我们在二维 $\phi^4$ 理论中展示了所提出方法的有效性，并在详细的数字实验中与基于 MCMC 的方法进行了比较。

    Jul, 2020

  • 具有能量分布概率评估的深度有向生成模型

    本论文提出了一种利用生成对抗网络（GAN）和基于深度神经网络的生成模型来代替 MCMC 模型的方法，通过训练这种模型生成的采样分布近似匹配待训练的能量函数。

    Jun, 2016

  • 神经热力学积分：基于能量扩散模型的自由能

    通过使用可训练的神经网络来代表一个在时间上依赖的哈密顿量，我们提出了一种名为神经 TI 的方法，该方法能够从单个参考计算中进行 TI，从而能够耦合数百个自由度并进行精确计算过程。

    Jun, 2024

  • 生成扩散模型的统计热力学

    通过研究发现，生成扩散模型可以用平衡统计力学的工具进行理解，并且这些模型经历了与对称性破缺现象相对应的二阶相变。作者还探讨了最近有关扩散模型与联想记忆网络的研究，并从热力学的角度进行了论述。

    Oct, 2023

  • 等压等温流法计算吉布斯自由能

    本文提出了一种基于正则流的机器学习模型，旨在从等温等压（NPT）集合中进行采样。通过对完全灵活的三斜晶模拟盒和粒子坐标的联合分布的近似来实现所需的内部压力。将该模型在立方冰和六角冰相的单原子水上进行测试，发现与已有基线相比，Gibbs 自由能和其他可观测量表现出良好的一致性。

    May, 2023

  • 学习生成参数概率模型的随机热力学

    我们通过建立与热力学变量的联系，将生成式机器学习问题形式化为参数概率模型（PPM）的时间演化，研究了模型参数（θ）和生成样本（X）之间的热力学交换。我们发现模型通过样本生成过程中的热量耗散来学习，导致模型参数熵增加，进而作为热库保存学到的信息。此方法提供了一个计算神经网络内信息论量的明确框架，并引入了两个信息论度量指标：记忆化信息（M-info）和学习化信息（L-info），用于追踪 PPM 学习过程中的信息动态流动。

    Oct, 2023

  • 利用深度生成模型在高维自由能表面上进行无偏增强采样

    使用基于评分的扩散模型的去偏方法对温度加速分子动力学（TAMD）模拟进行测试，结果表明这种去偏方法显著优于传统的去偏方法，并且能够生成准确的无偏构象集合，适用于具有较高 CV 数量的模拟。

    Dec, 2023

  • 几何深度学习：基于温度的图神经网络分析

    我们以几何深度学习模型作为一个热力学系统来研究，将权重视为非量子非相对论粒子。我们采用 [7] 中先前定义的温度概念，并在 GCN 和 GAT 模型的各个层中进行了研究。我们讨论了我们发现的潜在未来应用。

    Sep, 2023

  • 变分淬火

    本文介绍，通过变分推理与数据子抽样相结合，可以进行大数据集上的近似后验推断。作者提出一种针对指数族模型的确定性退火方法，引入变分调度算法来提高算法性能，并开发了一种本地变分调度算法，这使得算法精度更高。

    Nov, 2014

  • 带条件的正规化流方法高效映射相图

    通过深度生成机器学习模型和热力学状态的条件正则化流，我们可以高效地生成整个相图的平衡样本，并在预测固液共存线时降低所需能量评估数量。

    Jun, 2024