مقاله نمونه‌برداری از رویدادهای نایاب کارآمد با جریان‌های عادی‌سازی بدون نظارت

چکیده

From Physics and Biology to Seismology and Economics, the behaviour of countless systems is determined by impactful yet unlikely transitions between metastable states known as \emph{rare events}, the study of which is essential for understanding and controlling these systems’ properties. Classical computational methods to sample rare events remain prohibitively inefficient, and are a bottleneck for enhanced samplers requiring prior data. Here, we introduce a novel framework, FlowRES that uses unsupervised normalising flow neural networks to enhance Monte Carlo sampling of rare events by generating high-quality nonlocal Monte Carlo proposals. We validate FlowRES by sampling the transition path ensembles of equilibrium and non-equilibrium systems of Brownian particles exploring increasingly complex potential surfaces. Beyond eliminating requirements for prior data, FlowRES features key advantages over established samplers: no collective variables need defining, its efficiency remains constant even as events become increasingly unlikely, and it can handle systems with multiple routes between states.

چکیده به فارسی (ترجمه ماشینی)

از فیزیک و زیست شناسی گرفته تا زلزله شناسی و اقتصاد ، رفتار سیستم های بی شماری با انتقال تأثیرگذار و در عین حال بعید به نظر می رسد که بین حالتهای قابل استفاده به عنوان “رویدادهای نادر” شناخته می شود ، که مطالعه آن برای درک و کنترل خصوصیات این سیستم ها ضروری است.روشهای محاسباتی کلاسیک برای نمونه برداری از وقایع نادر به طور ناکارآمد باقی مانده و تنگنا برای نمونه برداران پیشرفته که به داده های قبلی نیاز دارند ، هستند.در اینجا ، ما یک چارچوب جدید ، FlowRes را معرفی می کنیم که از شبکه های عصبی جریان عادی و بدون نظارت استفاده می کند تا با تولید پیشنهادات مونت کارلو با کیفیت بالا ، نمونه برداری از مونت کارلو از وقایع نادر را تقویت کند.ما با نمونه گیری از گروه های مسیر انتقال سیستم های تعادل و غیر تعادل ذرات براون که به کاوش در سطوح بالقوه به طور فزاینده پیچیده می پردازیم ، جریان را تأیید می کنیم.فراتر از از بین بردن الزامات برای داده های قبلی ، FlowRes دارای مزایای کلیدی نسبت به نمونه های تعیین شده است: هیچ متغیرهای جمعی نیازی به تعریف ندارند ، راندمان آن حتی اگر وقایع به طور فزاینده ای بعید باشد ، ثابت می ماند و می تواند سیستم هایی را با چندین مسیر بین ایالات اداره کند.