ترجمه فارسی مقاله BEnDEM: نمونه‌بردار بولتزمن بر اساس تطبیق انرژی حذف نویز بوت استرپ

چکیده

Developing an efficient sampler capable of generating independent and identically distributed (IID) samples from a Boltzmann distribution is a crucial challenge in scientific research, e.g. molecular dynamics. In this work, we intend to learn neural samplers given energy functions instead of data sampled from the Boltzmann distribution. By learning the energies of the noised data, we propose a diffusion-based sampler, ENERGY-BASED DENOISING ENERGY MATCHING, which theoretically has lower variance and more complexity compared to related works. Furthermore, a novel bootstrapping technique is applied to EnDEM to balance between bias and variance. We evaluate EnDEM and BEnDEM on a 2-dimensional 40 Gaussian Mixture Model (GMM) and a 4-particle double-welling potential (DW-4). The experimental results demonstrate that BEnDEM can achieve state-of-the-art performance while being more robust.

چکیده به فارسی (ترجمه ماشینی)

توسعه یک نمونه کارآمد قادر به تولید نمونه های مستقل و یکسان توزیع شده (IID) از توزیع بولتزمن یک چالش مهم در تحقیقات علمی است ، به عنوان مثال.دینامیک مولکولی.در این کار ، ما قصد داریم به جای داده های نمونه برداری از توزیع بولتزمن ، نمونه های عصبی با استفاده از توابع انرژی را بیاموزیم.با یادگیری انرژی داده های Noised ، ما یک نمونه مبتنی بر انتشار ، تطبیق انرژی مبتنی بر انرژی را پیشنهاد می کنیم ، که از نظر تئوری واریانس کمتری و پیچیدگی بیشتری در مقایسه با آثار مرتبط دارد.علاوه بر این ، یک تکنیک جدید بوت استرپی برای Endem برای تعادل بین تعصب و واریانس اعمال می شود.ما Endem و Bendem را بر روی یک مدل مخلوط 2 بعدی 40 گاوسی (GMM) و یک پتانسیل دوتایی 4 ذره (DW-4) ارزیابی می کنیم.نتایج تجربی نشان می دهد که Bendem می تواند در حالی که قوی تر است ، به عملکرد پیشرفته برسد.