PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.15682v3cs.LG

보정된 볼츠만 샘플링을 위한 신경 비평형 해밀토니안 몬테카를로

Neural Non-Equilibrium Hamiltonian Monte Carlo for Corrected Boltzmann Sampling

학습된 동역학적 제안(dynamical proposal)은 다루기 쉬운 종점 밀도(endpoint density)를 제공하지 않고도 구성을 생성할 수 있습니다. 비평형 경로 확률은 이러한 제안을 보정하는 방법을 제공하지만, 보정 자체만으로는 분리된 영역들을 연결하는 능력을 결정짓지 못합니다. 우리는 조건부 모멘텀(momentum) 분포를 가역적이고 부피를 보존하는 동역학에 결합한 신경 비평형 해밀토니안 몬테카를로(Neural Non-Equilibrium Hamiltonian Monte Carlo, NHMC)를 소개합니다. 순방향-역방향 경로 비율은 학습(training), 중요도 가중치 부여, 정규화 상수 추정, 그리고 메트로폴리스 보정에 사용되는 일(work)을 제공합니다. 그런 다음 역방향 및 순방향 경로가 중간 구성을 공유하는 구성 공간 왕복 커널(kernel)을 구축합니다. 해당 구성에 조건화되었을 때, 이 커널의 경로 기록 업데이트는 독립 메트로폴리스-헤이스팅스(independence Metropolis–Hastings)가 됩니다. 우리는 이의 정상 상태 영역 간 흐름(inter-region flow)을 정확한 조건부 매칭 하에서 얻은 흐름과 비교하고, 그 차이를 조건부 경로 불일치로 경계를 설정(bound)합니다. 이는 조건부 제안의 오류를 종점 영역과 중간 구성 간의 의존성으로부터 분리합니다. 다중 우물(many-well) 실험을 통해 정규화 상수와 모드 확률을 테스트하며, 통제된 격자 $φ^4$ 실험은 섹터 간 흐름을 섹터 완화와 연관시킵니다. 2차원 $U(1)$, $\mathrm{SU}(2)$, $\mathrm{SU}(3)$ 실험에서는 해석적 힘 및 학습된 힘을 가진 경로를 포함하여 구조화된 참조를 공유하는 네 가지 제안 구성을 비교합니다.

arXiv:2606.30228v1cs.LG

B3O: 확장 가능한 볼츠만 배치 베이지안 최적화

B3O: Scalable Boltzmann Batch Bayesian Optimization

배치 생성을 획득 함수(acquisition function)로 정의된 볼츠만 분포에서의 직접 샘플링으로 재구성하는 B3O(Boltzmann Batch Bayesian Optimization) 프레임워크를 제안하며, 이를 통해 대규모 병렬 평가에서 기존 배치 베이지안 최적화(BO) 방법의 계산 비용 및 배치 다양성 저하 문제를 해결한다. 이론적으로 해당 분포에서 샘플링된 쿼리가 무시 가능한 수준의 추가 후회(regret)만 발생시킴을 증명하였으며, 합성 벤치마크 및 다목적 전극 설계, 혼합 변수 레이스카 구성 등 복잡한 응용 과제에서 기존 방법들을 능가하는 성능을 보였다.