Feynman-Kac path-integral calculation of the ground-state energies of atoms
PulseAugur coverage of Feynman-Kac path-integral calculation of the ground-state energies of atoms — every cluster mentioning Feynman-Kac path-integral calculation of the ground-state energies of atoms across labs, papers, and developer communities, ranked by signal.
-
LatticeSMC采样器优化分块序列生成器的推理计算
研究人员开发了LatticeSMC,一种新颖的采样方法,旨在优化分块生成序列(如音乐、动作和视频)的推理时间计算。该方法利用了表示块索引和去噪步骤的二维格点上的Feynman-Kac模型,允许基于奖励结构进行精确的设计选择。在文本到音乐生成任务中,LatticeSMC在节拍对齐和提示遵循等指标上表现出显著的改进,在匹配的计算预算下优于现有的如best-of-N采样等方法。
-
新研究推进薛定谔桥以改进AI传输学习 · 跟踪2个来源
两篇新研究论文介绍了薛定谔桥技术的进展,这是一种用于学习分布之间随机传输的技术。第一篇论文《图上的成本增强薛定谔桥可精确求解》提出了一种通过用Feynman-Kac倾斜取代学习控制来简化过程的方法,能够进行精确计算,并在蛋白质折叠模型中显示出潜力。第二篇论文《分布鲁棒薛定谔桥》介绍了一种通过学习一个考虑不确定性的单一控制器来提高对初始分布变化的鲁棒性的方法,在图像到图像翻译和传输任务中表现优于标准方法。
-
扩散模型通过新架构和训练方法取得进展 · 跟踪10个来源
研究人员正在探索各种领域的先进扩散模型,包括Apple的文本、图像和音频的三模态生成,以及使用扩散模型的无数据训练方法来处理晶格场论。PixelMoE将专家混合引入像素空间扩散,以实现高效扩展,而Bridge Matching Sampler提供了从非归一化密度进行可扩展和稳定的采样。新的基于Transformer的方法使扩散模型能够进行上下文学习,以适应未见过的分布,并且\b-Flow将扩散和基于流的模型泛化到逆问题。此外,Cach…
-
FK-PINNs改进了复杂偏微分方程的神经网络训练
研究人员开发了一种新方法,以改进物理信息神经网络(PINNs)在求解复杂偏微分方程(PDEs)方面的训练。该技术被称为“FK-PINNs”,在标准的PINN损失函数中引入了一个数据保真项,充当算子级别的预处理器。该方法被证明可以显著降低损失景观的条件数,从而在标准PINNs失效的情况下实现收敛。该方法利用Feynman-Kac泛函的蒙特卡洛平均来生成标签,并为具有tanh激活的网络提供非渐近误差界。