arXiv:2606.30773v1 quant-ph

Diffusion-warm sampling of the XY model enables fast thermalization at scale

Sehmimul Hoque, Roger Melko, Pooya Ronagh

제출 2026-06-29

원문 초록

We introduce a novel technique for scalable sampling of spin-system states with continuous symmetries using diffusion models. By applying our approach to the XY model, a fundamental continuous-spin model in condensed matter physics, we show that our technique addresses the shortfalls of the Markov chain Monte Carlo (MCMC) in generalization to varying system sizes. More specifically, we show that training a temperature-conditioned diffusion model on smaller-size XY model lattices enables the generation of accurate samples in larger lattice sizes. By tracking physically important observables of the model, such as spin correlations, our experiments demonstrate that diffusion sampling followed by a few MCMC steps reduces the thermalization time by an order of magnitude relative to the standard MCMC with random initialization. Our study provides valuable insight as to how generative models can be used to study continuous-state condensed matter systems at scale.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.30773v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2505.08854v2cs.CV공통 태그 diffusion models공식 코드 · Papers with Code

자율주행을 위한 생성형 AI: 최전선과 기회

Generative AI for Autonomous Driving: Frontiers and Opportunities

생성형 인공지능(GenAI)은 콘텐츠 생성, 추론, 계획, 멀티모달 이해를 위한 비할 데 없는 역량을 통해 산업을 재편하는 변혁적인 기술 물결을 형성하고 있습니다. 이러한 혁신적인 힘은 공학 분야의 가장 큰 난제 중 하나인 신뢰할 수 있는 완전 자율주행의 달성, 특히 레벨 5 자율주행의 실현을 향한 가장 유망한 경로를 제공합니다. 본 서베이 논문은 자율주행 스택 전반에 걸친 생성형 AI의 부상하는 역할을 포괄적이고 비판적으로 종합하여 제시합니다. 먼저 VAE, GAN, 확산 모델(Diffusion Models), 대규모 언어 모델(LLM)을 아우르는 현대 생성 모델링의 원리와 트레이드오프를 정리합니다. 이어서 이미지, LiDAR, 궤적, 점유(occupancy), 비디오 생성뿐만 아니라 LLM 기반 추론 및 의사결정에서의 최전선 응용 사례를 조망합니다. 또한 합성 데이터 워크플로우, 엔드투엔드(end-to-end) 주행 전략, 고충실도 디지털 트윈 시스템, 지능형 교통 네트워크, 체화된 AI(embodied AI)로의 도메인 간 전이 등 실질적인 적용 분야를 분류합니다. 희귀 사례에 걸친 포괄적 일반화, 평가 및 안전성(safety) 검증, 예산 제약 기반 구현, 규제 준수, 윤리적 문제, 환경적 영향과 같은 주요 장애물과 가능성을 식별하는 동시에, 이론적 보증, 신뢰 메트릭, 교통 통합, 사회기술적 영향에 걸친 연구 계획을 제안합니다. 이러한 흐름을 통합함으로써, 본 서베이는 생성형 AI와 첨단 자율 이동성의 수렴을 탐색하는 연구자, 엔지니어, 정책 입안자들에게 미래지향적인 참고자료를 제공합니다. 인용된 연구들을 적극적으로 관리하는 저장소는 https://github.com/taco-group/GenAI4AD 에서 확인할 수 있습니다.

arXiv:2408.00001v2cs.CV공통 태그 diffusion models공식 코드 · Papers with Code

시각적 확산 모델에서의 복제: 서베이 및 전망

Replication in Visual Diffusion Models: A Survey and Outlook

시각적 확산 모델(visual diffusion models)은 고품질의 다양한 콘텐츠를 생성하며 창의적 AI 분야에 혁신을 가져왔습니다. 그러나 이 모델들은 필연적으로 학습 이미지나 영상을 기억하고, 추론 과정에서 해당 개념, 콘텐츠, 또는 스타일을 복제합니다. 이 현상은 생성된 결과물에 관한 개인정보 보호, 보안, 저작권 측면에서 심각한 우려를 제기합니다. 본 서베이에서는 시각적 확산 모델의 복제 현상에 대한 최초의 종합적 고찰을 제공하며, 기존 연구들을 복제 현상의 규명(unveiling), 이해(understanding), 완화(mitigating)라는 세 가지 범주로 체계적으로 분류함으로써 해당 분야에 새로운 기여를 합니다. 구체적으로, 규명은 주로 복제 사례를 탐지하는 방법을 다루고, 이해는 이 현상에 기여하는 근본적인 메커니즘과 요인을 분석하며, 완화는 복제를 줄이거나 제거하기 위한 전략 개발에 초점을 맞춥니다. 이러한 측면들 외에도, 복제 현상의 실세계 영향을 다룬 논문들도 함께 검토합니다. 예를 들어, 의료 분야에서는 환자 데이터 관련 개인정보 보호 우려로 인해 복제 현상이 특히 심각한 문제가 됩니다. 마지막으로, 본 논문은 복제 탐지 및 벤치마킹의 어려움과 같은 현재의 과제들을 논의하고, 더욱 강력한 완화 기법 개발을 포함한 향후 연구 방향을 제시하며 마무리합니다. 다양한 연구들로부터 얻은 통찰을 종합함으로써, 본 논문은 연구자와 실무자들이 AI 기술과 사회적 가치의 교차점에 대한 깊은 이해를 갖출 수 있도록 돕고자 합니다. 본 프로젝트는 https://github.com/WangWenhao0716/Awesome-Diffusion-Replication 에서 공개되어 있습니다.

arXiv:2605.11506v3cs.CV공통 태그 diffusion models

역문제를 위한 확산 기반 최적화기의 원칙적 설계

Principled Design of Diffusion-based Optimizers for Inverse Problems

스코어 기반 확산 모델은 역문제에서 최첨단 성능을 달성하지만, 긴 추론 시간과 번거로운 하이퍼파라미터 튜닝으로 인해 실제 배포가 저해된다. 사전학습된 확산 모델은 재학습 없이 여러 태스크에 재사용할 수 있지만, 노이즈 스케줄과 사후 샘플링 가중치와 같은 추론 시점 하이퍼파라미터는 일반적으로 각 문제 설정마다 임시방편적인 조정이 필요하다. 우리는 불변성을 유도하는 원칙적 재매개화를 제안하여, 동일한 하이퍼파라미터를 재튜닝 없이 여러 문제에 걸쳐 재사용할 수 있게 한다. 또한 사후 샘플링을 최적화 문제로 재구성하는 RED-diff 프레임워크를 바탕으로, OptDiff 파이프라인을 추가로 개발한다. OptDiff는 추론을 가속하기 위한 볼록 최적화 도구의 통합을 용이하게 하는 간소화된 튜닝 프레임워크를 제공한다. 이미지 재구성, 디블러링, 초해상도에 대한 실험은 상당한 속도 향상과 향상된 이미지 품질을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.