Scalable Equilibrium Sampling with Sequential Boltzmann Generators

要約

熱力学的平衡における分子状態のスケーラブルなサンプリングは、統計物理学における長年の課題です。
Boltzmannジェネレーターは、正規化フローと重要なサンプリングを組み合わせて、ターゲット分布の下で無相関サンプルを取得することにより、この問題に取り組みます。
このホワイトペーパーでは、Boltzmannジェネレーターフレームワークを2つの重要な貢献度で拡張し、フレームワークのシーケンシャルボルツマンジェネレーター（SBG）を示します。
1つ目は、全原子デカルト座標で直接動作する非常に効率的なトランスベースの正規化フローです。
以前の方法の等量の連続流とは対照的に、サンプルの生成と尤度評価の両方で非常に効率的な、正確に反転可能な非等変量アーキテクチャを活用します。
この効率は、標準的な重要性サンプリングを超えて、より洗練された推論戦略のロックを解除します。
特に、シーケンシャルモンテカルロの連続時間バリアントを使用してフローサンプルの推論時間スケーリングを実行します。このカルロでは、アニールされたランジュビンダイナミクスを使用して、フローサンプルがターゲット分布に向かって輸送されます。
SBGは最先端のパフォーマンスW.R.T.
ペプチド系のすべてのメトリックは、以前のボルツマン発電機にとってこれまで扱いにくいトリ、テトラ、ヘキサペプチドのデカルト座標における最初の平衡サンプリングを実証しています。

要約(オリジナル)

Scalable sampling of molecular states in thermodynamic equilibrium is a long-standing challenge in statistical physics. Boltzmann generators tackle this problem by pairing normalizing flows with importance sampling to obtain uncorrelated samples under the target distribution. In this paper, we extend the Boltzmann generator framework with two key contributions, denoting our framework Sequential Boltzmann Generators (SBG). The first is a highly efficient Transformer-based normalizing flow operating directly on all-atom Cartesian coordinates. In contrast to the equivariant continuous flows of prior methods, we leverage exactly invertible non-equivariant architectures which are highly efficient during both sample generation and likelihood evaluation. This efficiency unlocks more sophisticated inference strategies beyond standard importance sampling. In particular, we perform inference-time scaling of flow samples using a continuous-time variant of sequential Monte Carlo, in which flow samples are transported towards the target distribution with annealed Langevin dynamics. SBG achieves state-of-the-art performance w.r.t. all metrics on peptide systems, demonstrating the first equilibrium sampling in Cartesian coordinates of tri-, tetra- and hexa-peptides that were thus far intractable for prior Boltzmann generators.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google