Transferable Boltzmann Generators

生成分子系统平衡样本一直是统计物理学中长期存在的问题。Boltzmann生成器是一种生成式机器学习方法，通过学习从简单先验分布到目标Boltzmann分布的归一化流变换来解决这个问题。最近，流匹配被用于在笛卡尔坐标下训练小分子系统的Boltzmann生成器。我们扩展了这项工作，提出了一个第一个框架，用于跨化学空间可转移的Boltzmann生成器，这样它们可以预测测试分子的零样本Boltzmann分布，而不需要为这些系统重新训练。这些可转移的Boltzmann生成器允许从未见过的系统目标分布进行近似采样，以及有效地重新加权到目标Boltzmann分布。所提出的框架的可转移性在二肽上进行了评估，我们展示了它对未见过的系统的高效泛化。此外，我们证明了我们提出的架构增强了单个分子系统训练的Boltzmann生成器的效率。

本文旨在提出一种可跨化学空间的Boltzmann生成器框架，以实现零样本学习，从而解决统计物理学中分子系统均衡样本生成的问题。

本文提出了一种可跨化学空间的Boltzmann生成器框架，通过学习从简单的先验分布到目标Boltzmann分布的变换来实现，从而实现对未知分子系统的目标分布的近似采样和有效的重加权。

本文的亮点在于提出了一种可跨化学空间的Boltzmann生成器框架，能够有效地处理零样本学习问题，实现对未知分子系统的目标分布的近似采样和有效的重加权。实验表明，该框架在二肽类分子上具有高度的泛化能力，并且能够提高单一分子系统训练的Boltzmann生成器的效率。

最近的相关研究包括使用Boltzmann生成器进行分子系统的均衡采样和生成，以及使用流匹配技术来训练Boltzmann生成器。相关论文包括“Boltzmann生成器：采样和学习分子系统的均衡状态”和“流匹配：一种用于无监督学习的匹配方法”。