Minimum-Excess-Work Guidance

我们提出了一种正则化框架，该框架受热力学功的启发，通过最小化超额功（一个源于统计力学的概念，并与最优传输有很强的概念联系）来引导预训练的概率流生成模型（例如连续归一化流或扩散模型）。我们的方法能够在科学应用中常见的稀疏数据场景下实现高效的引导，这些场景通常只有有限的目标样本或部分密度约束可用。我们引入了两种策略：路径引导（Path Guidance），通过将概率质量集中于用户定义的子集上来采样稀有过渡状态；以及可观测量引导（Observable Guidance），在保持熵的同时，使生成分布与实验可观测量对齐。我们在一个粗粒化的蛋白质模型上展示了该框架的灵活性，引导模型采样折叠/未折叠状态之间的过渡构型，并使用实验数据校正系统性偏差。该方法将热力学原理与现代生成架构相结合，为数据稀缺领域的标准微调提供了一种基于原则、高效且物理启发的替代方案。实证结果突显了样本效率的提升和偏差的减少，进一步证明了其在分子模拟及其他领域中的适用性。

论文试图解决在数据稀缺场景中，如何有效引导预训练的概率流生成模型（如连续归一化流或扩散模型）生成特定目标分布的问题。这是一个常见于科学应用中的挑战性问题，尤其是在分子模拟领域，通常只有有限的目标样本或部分密度约束。

论文提出了一种基于热力学功的正则化框架，通过最小化‘过量功’来引导生成模型。这种方法结合了统计力学和最优传输理论的核心思想，并提出了两种具体策略：路径引导（Path Guidance）和可观测引导（Observable Guidance）。相比传统方法，该框架无需大量数据进行微调，而是利用物理原理高效地调整生成分布，同时保留熵特性。

1. 提出了两种具体的引导策略：路径引导用于采样稀有过渡状态，可观测引导用于根据实验观测校正生成分布。2. 在粗粒化蛋白质模型上进行了验证，展示了其在分子模拟中的实际应用价值。3. 实验表明，该方法能够显著提高采样效率并减少系统偏差。4. 论文未提及代码开源情况，但其提出的物理启发式方法值得进一步研究，特别是在其他科学计算领域中的应用。

近期相关研究包括：1. 'Score-Based Generative Modeling through Stochastic Differential Equations'，探索了基于分数的生成模型与扩散过程的关系。2. 'Physics-Informed Machine Learning for Scientific Computing'，讨论了将物理约束融入机器学习模型的方法。3. 'Optimal Transport for Domain Adaptation'，研究了最优传输理论在域适应中的应用。这些工作共同构成了将物理知识与深度生成模型结合的研究方向。