PulseAugur
中
实时 22:52:22
English(EN) MetaDNS: Enhancing Exploration in Discrete Neural Samplers via Well-Tempered Metadynamics

MetaDNS框架通过元动力学增强离散神经采样器

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为MetaDNS的新型框架，旨在提高离散神经采样器的采样能力。该新方法集成了温和元动力学，以克服模式崩溃和无法探索高能垒区域等限制，这对于自由能估计和理解相变等任务至关重要。MetaDNS已在各种低温基准测试中证明了其有效性，能够准确地重现热力学分布，并显示出与传统基于MCMC的元动力学相当的探索效率。 AI

影响 引入了一种改进离散神经网络采样的新方法，可能使机器学习和计算物理学应用受益。

排序理由 该集群包含一篇详细介绍离散神经采样器新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Xiaochen Du, Juno Nam, Jaemoo Choi, Wei Guo, Sathya Edamadaka, Junyi Sha, Elton Pan, Yongxin Chen, Molei Tao, Rafael G\'omez-Bombarelli ·

    MetaDNS: Enhancing Exploration in Discrete Neural Samplers via Well-Tempered Metadynamics

    arXiv:2605.21722v1 Announce Type: cross Abstract: Sampling from discrete distributions with multiple modes and energy barriers is fundamental to machine learning and computational physics. Recent discrete neural samplers like MDNS suffer from mode collapse and fail to sample high…

相关实体

相关话题