研究人员推出了一种名为自回归玻尔兹曼生成器（ArBG）的新框架，旨在改进热力学平衡下分子系统的采样。与依赖归一化流的先前方法不同，ArBG采用了自回归建模方法，借鉴了大型语言模型中有效的架构。这一新颖的框架规避了基于流的模型限制，提供了更高的可扩展性和性能，尤其是在较大的肽系统中。该论文还介绍了Robin，一个拥有1.32亿参数、使用ArBG训练的模型，该模型显著降低了小型肽系统的能量误差，性能优于先前的最先进模型。 AI
影响 这项研究通过提高分子系统模拟的效率和准确性，有可能加速分子发现和设计。
排序理由 该集群报道了一篇详细介绍新型分子采样建模框架的新研究论文，其中包括一个使用该框架训练的新模型。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
arXiv:2606.27361v1 Announce Type: cross Abstract: Efficient sampling of molecular systems at thermodynamic equilibrium is a hallmark challenge in statistical physics. This challenge has driven the development of Boltzmann Generators (BGs), which allow rapid generation of uncorrel…
Efficient sampling of molecular systems at thermodynamic equilibrium is a hallmark challenge in statistical physics. This challenge has driven the development of Boltzmann Generators (BGs), which allow rapid generation of uncorrelated equilibrium samples by combining a generative…
Efficient sampling of molecular systems at thermodynamic equilibrium is a hallmark challenge in statistical physics. This challenge has driven the development of Boltzmann Generators (BGs), which allow rapid generation of uncorrelated equilibrium samples by combining a generative…