Action-Minimization Meets Generative Modeling: Efficient Transition Path Sampling with the Onsager-Machlup Functional

要約

エネルギー環境上の2つのポイントを接続する可能性のあるパスを見つけることを伴うトランジションパスサンプリング（TPS）は、実際の原子システムの複雑さのために依然として課題です。
現在の機械学習アプローチでは、高価でタスク固有の、データのないトレーニング手順を使用し、高品質のデータセットや大規模な事前訓練モデルなど、最近の原子的機械学習における最近の進歩から利益を得る能力を制限します。
この作業では、候補パスを、事前に訓練された生成モデルの学習スコア関数によって誘導される確率的ダイナミクスからサンプリングされた軌跡として解釈することによりTPSに対処します。
これらのダイナミクスの下では、高尤度の遷移パスを見つけることは、OnSager-Machlup（OM）アクション機能を最小限に抑えることと同等になります。
これにより、以前の作業で訓練されたオーダーメイドのタスク固有のTPSモデルとは対照的に、TPSの事前に訓練された生成モデルをゼロショット方法で再利用できます。
さまざまな分子システムに関するアプローチを実証し、多様で物理的に現実的な遷移経路を取得し、事前に訓練されたモデルの元のトレーニングデータセットを超えて一般化します。
私たちの方法は、新しい生成モデルに簡単に組み込むことができ、モデルがデータの可用性を向上させて拡大し、改善し続けるにつれて実質的に関連性があります。

要約(オリジナル)

Transition path sampling (TPS), which involves finding probable paths connecting two points on an energy landscape, remains a challenge due to the complexity of real-world atomistic systems. Current machine learning approaches use expensive, task-specific, and data-free training procedures, limiting their ability to benefit from recent advances in atomistic machine learning, such as high-quality datasets and large-scale pre-trained models. In this work, we address TPS by interpreting candidate paths as trajectories sampled from stochastic dynamics induced by the learned score function of pre-trained generative models, specifically denoising diffusion and flow matching. Under these dynamics, finding high-likelihood transition paths becomes equivalent to minimizing the Onsager-Machlup (OM) action functional. This enables us to repurpose pre-trained generative models for TPS in a zero-shot manner, in contrast with bespoke, task-specific TPS models trained in previous work. We demonstrate our approach on varied molecular systems, obtaining diverse, physically realistic transition pathways and generalizing beyond the pre-trained model’s original training dataset. Our method can be easily incorporated into new generative models, making it practically relevant as models continue to scale and improve with increased data availability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google