Hamiltonian Monte Carlo
PulseAugur coverage of Hamiltonian Monte Carlo — every cluster mentioning Hamiltonian Monte Carlo across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
RHMC算法在对数凹分布上显示出加速混合时间
研究人员已经证明，随机哈密顿蒙特卡洛（RHMC）算法在从对数凹概率分布采样时可以实现加速混合时间保证。RHMC算法涉及使用随机积分时间模拟连续时间哈密顿动力学，并在模拟之间重置速度。分析表明，通过特定的随机积分时间，RHMC对于满足$\alpha$-Talagrand不等式的对数凹分布，在KL散度上呈指数级收敛。此外，通过使用一系列指数增长的随机积分时间，达到所需误差水平的总积分时间缩放为 $O(\varepsilon^{-1/2})$。
-
新的LL-HMC方法使深度神经网络中的不确定性估计更具可行性
研究人员开发了一种名为Last Layer Hamiltonian Monte Carlo (LL-HMC)的新方法，以使深度神经网络中的不确定性估计在计算上更具可行性。传统的Hamiltonian Monte Carlo (HMC)方法虽然有效，但对于大型数据集和复杂网络来说资源消耗过大。LL-HMC将采样过程限制在深度神经网络的最后一层，显著降低了计算需求。在用于驾驶员行为和意图识别的真实视频数据集上的实验表明，LL-HMC在分类…
-
扩散模型加速物理学研究中的Schwinger模型采样
研究人员探索了一种新颖的基于扩散的方法来加速Schwinger模型的采样，这是格点量子场论中的一个问题。他们开发了一种U(1)等变评分生成模型来生成规范链构型，证明它可以产生可与传统马尔可夫链蒙特卡洛（MCMC）模拟相比的无偏可观测量估计。该方法还在临界参数附近减少拓扑冻结方面显示出潜力，在定性指标上优于混合蒙特卡洛（HMC）。
-
AI模型增强宇宙学推断和不确定性分析
两篇新的arXiv论文探讨了神经网络在宇宙学中的应用。第一篇论文介绍了一种神经标记方案，可以提取比传统方法更多的宇宙学信息，显著收紧了sigma8和Omega_m等关键参数的约束。第二篇论文研究了神经生成模型在推断宇宙初始条件方面的可靠性，并强调在标准指标不能保证高维设置下的准确不确定性估计。
-
AI扩散模型成功采样SU(N)晶格规范理论
研究人员开发了一种能够采样SU(N)晶格规范理论的扩散模型，这是计算物理学的一项重大进展。该隐式分数匹配框架已成功应用于二维和四维的SU(3)规范构型，生成的样本可与混合蒙特卡洛模拟相媲美。研究强调了使用预测-校正方案进行精确积分的必要性，并引入了一种汉密尔顿分子动力学校正器，该校正器以增加计算成本为代价提高了采样质量。
-
新的TSMC方法通过可微分动力学优化轨迹和策略
研究人员推出了一种新颖的基于采样的框架——Tempered Sequential Monte Carlo (TSMC)，用于优化具有可微分动力学的系统中的轨迹和策略。该方法将控制器设计重新构建为一个推理问题，旨在最小化KL正则化的期望轨迹成本。TSMC采用退火方案，通过在调质路径上自适应地重新加权和重采样粒子，有效地从复杂的靶分布中采样。该方法在相关基准测试中已显示出广泛的适用性和优于现有基线方法的性能。