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
本文探讨了生成扩散模型的动力学性质,发现其决定性的相变点将其生成过程分为两个不同的阶段,对此我们提出了一种高斯后初始化方案,可显著提高模型性能,增加样本多样性并减少偏差,实验表明在快速采样上可实现 3 倍的 FID 改进。
May, 2023
量子驱动扩散模型的量子泛化被提出,并讨论了可在实际量子系统上进行实验测试的三种量子噪声驱动的生成扩散模型。通过利用量子噪声作为生成更复杂的概率分布的重要成分,我们的结果有望为处理从气候预测到神经科学、交通流分析到金融预测等广泛的实际应用任务的新型量子驱动生成扩散算法铺平道路。
Aug, 2023
该研究通过将生成扩散模型(DMs)与随机量子化与随机微分方程的角度链接,深入探讨了机器学习与晶格场论之间的联系。我们展示了 DMs 可以通过逆转由 Langevin 方程驱动的随机过程的方式进行概念化,从而生成来自初始分布的样本以近似目标分布。通过一个玩具模型,我们强调了 DMs 学习有效动作的能力。此外,我们展示了作为二维 Phi^4 量子晶格场论中生成配置的全局采样器的可行性。
Nov, 2023
为解决物理机器学习中的数据稀缺性问题,我们提出了一种新的物理模拟数据生成方法,利用扩散模型生成合成数据样本,并通过两种情况下的比较检验生成数据样本的准确性和符合物理法则的一致性,从而使它们能够有效地用于下游任务。
Jun, 2023
扩散模型通过训练大量数据点,利用逐渐添加随机噪声和逆扩散过程将数据样本从复杂分布转换为简单分布,并学习数据流形,优于其他方法(包括生成对抗网络)来建模自然图像等分布。
Dec, 2023
本文提出使用煞费苦心、模拟非平衡统计力学的方法,通过迭代向前的扩散过程来系统性地破坏数据分布中的结构,并学习一个可以还原数据结构的逆向扩散过程,从而快速学习、采样、评估深度生成模型中的概率。
Mar, 2015
使用扩散模型学习统计场论和量子场论的逆重整化群流。
基于最先进的扩散模型的机器学习方法,能够生成具有高雷诺数的三维湍流中的单粒子轨迹,从而避免直接数值模拟或实验获得可靠的拉格朗日数据;该模型能够定量地重现整个时间尺度范围内的所有相关统计基准,包括速度增量的尾分布、异常幂律和耗散尺度周围间歇性的增强;该模型在极端事件方面表现出良好的普适性,实现了前所未有的强度和稀有性,为产生用于预训练拉格朗日湍流各种下游应用的合成高质量数据奠定了基础。
Jul, 2023
采用贝叶斯神经网络推断随机系统的朗之万方程,以及预测不确定性的综合框架。
Feb, 2024