基于评分的粒子方法用于均匀 Landau 方程
我们提出了一种用于数值求解 Landau 方程的粒子方法,灵感来自于 Fokker-Planck 方程的基于得分的输运建模方法。该方法可以保持 Landau 方程的一些重要物理特性,例如质量、动量和能量的守恒性,以及估计熵的衰减。我们证明,匹配近似解的对数梯度足以恢复具有 Maxwellian 分子的 Landau 方程的真实解。在低维和中等高维上进行了几个数值实验,特别强调了所提出的方法与传统粒子或斑点方法的比较。
May, 2024
本研究提出了一个新的用于计算量子多体基态性质的优化框架,该方法通过基于 Langevin 动力学的梯度分数进行抽样,避免了显式概率分布,采用加权分数匹配目标引导模型正确收敛到基态,测例表明其能准确地学习原子系统的基态,并为量子系统的更高效表示铺平了道路。
May, 2023
使用现代机器学习技术通过条件归一化流学习取代 Smoluchowski 方程的数值解,可以显著减少计算时间并与直接数值模拟结果较好地吻合。
Dec, 2023
本研究探讨了基于分数的生成模型,其通过加噪声扰动来学习一组对应于数据密度的噪声条件分数函数,并导出了一个叫做分数 Fokker-Planck 方程的相应方程,对于噪声扰动后的数据密度的条件分数进行特征化,同时还证明了满足 Fokker-Planck 方程是有益的,因为它可以提高可能性和保守性程度,因此,提出了一个正则化的 DSM 目标来强制满足分数 Fokker-Planck 方程,并在各种数据集上证明了其有效性。
Oct, 2022
通过使用基于评分函数的求解器,我们提出了一种新颖的方法来解决高维度 Fokker-Planck 方程中的维数灾难问题,并在不同设置下对其稳定性、速度和性能进行了评估。
Feb, 2024
在这项研究中,我们介绍了一种能够在函数空间中解决贝叶斯逆问题的抽样方法,它不需要似然函数的对数凹性,可以用于非线性逆问题。该方法利用了最近定义的无限维度基于得分的扩散模型作为基于学习的先验,并通过在函数空间上定义的 Langevin 类型的 MCMC 算法实现可证明的后验采样。我们进行了一项新颖的收敛性分析,受传统正则化 - 去噪算法中建立的不动点方法的启发,并与加权模拟退火兼容。所得到的收敛界明确依赖于得分的逼近误差;良好逼近的得分对于获得良好逼近的后验至关重要。我们提供了基于样式和基于 PDE 的示例,证明了我们的收敛性分析的有效性。最后,我们讨论了学习得分和计算复杂性方面的挑战。
May, 2024
通过改进粒子近似误差的对数 Sobolev 不等式常数依赖性,我们展示了 MFLD 的收敛性提高、对均场稳态分布的采样保证以及粒子复杂度的统一随时间的 Wasserstein 传播。
May, 2024
本文探讨了基于鲍姆 - 韦尔奇定理的 Stein 方法和 Score Matching 方法的核估计者,提出了一种基于正则化非参数回归框架的统一视角,允许我们分析现有的估计器并选择不同的假设空间和正则化器构建新的估计器。最后,我们提出了基于迭代正则化的分数估计器,它们受到无旋核和快速收敛的计算优势的支持。
May, 2020
本研究基于 Wasserstein 梯度流结构和非局部正则化的思想,提出了一种基于数值 blob 方法的确定性粒子方法,用于解决非线性扩散问题,通过数值实验验证了该方法的收敛性和关键定性特性
Sep, 2017