基于生成流网络的无集体变量转移路径采样
通过正态流潜空间中的 Metropolis-Hastings 接受准则,提出了一种在不需分子模拟的情况下,通过正态化流从分子的 Boltzmann 分布到高斯分布的映射,来快速提取两个 3D 状态间所有可能的过渡路径,并进行精确采样。
Dec, 2023
我们提出了一种基于扩散生成流采样器 (DGFS) 的抽样框架,该方法可以将学习过程易于处理地分解为短的部分轨迹段,通过参数化额外的 “流函数”,并且在各种具有挑战性的实验中展示了相比于相关先前方法更准确的规范常量估计。
Oct, 2023
本文提出了一种基于多臂赌博机思想的贝叶斯技术算法(TS-GFN),将训练过程中的轨迹选择视为主动学习问题,从学习策略的近似后验分布中采样轨迹来提高探索效率,进而比过去的离线探索策略更快地收敛至目标分布,在两个领域的实验中证明了其优越性。
Jun, 2023
本文提出了一种基于 GFlowNet 的生成策略来生成对象的方法,该方法将生成过程视为一种流动网络,并将一组轨迹转换为流动,并将流动一致性方程转换为学习目标,以实现训练时的搜索成本,从而提高了性能和多样性。
Jun, 2021
采用自编码器进行非线性机器学习,发掘具有明确和可微分函数关系的 CVs,加速沿着数据启发式的 CVs 进行偏引力采样。在模拟丙氨酸二肽和 Trp-cage 时展示了这种方法。
Dec, 2017
我们运用蒙特卡罗树搜索算法(MCTS)提升了生成流网络的规划能力,实验证明这种方法提高了生成流网络的训练样本效率和预先训练模型的生成真实性。
Jun, 2024
本文介绍了基于 GFlowNets 算法的生成模型策略,探究了如何在实际训练资源限制下实现更好的样本效率和匹配目标分布,提出了优先回放、相对边流策略参数化和新的引导轨迹平衡目标等方法来提高样本效率,有效解决了一些结构学分配问题。
May, 2023
本文提出了一种基于能量的生成流网络 (EB-GFN) 概率建模算法,该算法通过随机构造数据策略来建模生成过程,并将昂贵的 MCMC 探索在从 GFlowNet 中采样的固定数量的操作中分摊开来。我们展示了 GFlowNet 如何近似执行大块 Gibbs 采样以在多个模式之间混合。我们提出了一个框架,共同训练 GFlowNet 与能量函数,使 GFlowNet 学习从能量分布中采样,而能量则通过从 GFlowNet 中获得负样本的近似 MLE 目标进行学习。我们展示了 EB-GFN 在各种概率建模任务中的有效性。
Feb, 2022
为机器学习的原子间势提供了能够代表分子系统可访问配置空间的数据集的生成方法,该方法利用不确定性作为集体变量以引导获取与化学相关的数据点,重点关注机器学习模型预测最不确定性的配置空间区域,并在丙氨酰二肽基准系统上验证了该方法在克服能量壁垒和探索未知能量最小值方面的有效性。
Feb, 2024