arXiv:2609.03193v2 cond-mat.stat-mech

원자 수준 열역학 지형의 생성형 중첩 샘플링

Generative Nested Sampling of Atomistic Thermodynamic Landscapes

Alessandro Coretti, Nico Unglert, Sebastian Falkner, Georg K. H. Madsen, Christoph Dellago

제출 2026-09-02

저자 비고

arXiv Comments

Revised version: numerical results remeasured and updated throughout; conditioning comparison extended to ten independently trained networks; Supplementary Material added, including run-to-run variability of reported costs; figures improved; link to the public code and data repository provided

한국어 초록

중첩 샘플링(Nested sampling, NS)은 단 한 번의 시뮬레이션을 통해 원자계의 열역학적 특성을 규명할 수 있지만, 가능도(likelihood) 제약 앙상블(ensemble) 내에서 워커 간의 상관성을 해소하기 위해 필요한 마르코프 체인 업데이트로 인해 실제 적용 범위가 제한된다. 흐름 기반(flow-based) NS는 중력파(GW) 추론(inference)에서 이러한 병목 현상을 완화했으나, 이를 원자계로 확장하는 것은 단순한 응용 분야 변경 이상의 과제를 수반한다. 차원이 유사한 GW150914 계열 쌍성 블랙홀 가능도와 8개 입자 2차원 레너드-존스(LJ) 계를 비교함으로써, 본 연구는 두 지형이 근본적으로 다름을 규명한다. 즉, 원자계의 다봉성(multimodality)은 강한 충돌 벽으로 분리된 입자 치환에 의해 발생하는 이산적이고 조합론적인 형태이며 좌표 결합이 조밀하고 집단적인 반면, GW 사후확률은 매끄러운 축퇴와 국소화된 매개변수(parameter) 결합을 보인다. 이러한 진단을 바탕으로 본 연구는 NS 에너지 경계를 조건으로 취하고 최근 라이브 셋의 슬라이딩 윈도우에서 학습(training)되는 단일 조건부 정규화 흐름(normalizing flow)인 NS-Flows를 제안한다. 이는 중요도 가중 기각 리샘플링으로 보정된 직접 병렬 샘플 추출을 통해 MCMC를 대체한다. 라이브 셋이 데이터를 자체 일관적으로 공급하므로, 구조화된 사전분포나 기존 데이터셋(dataset) 없이도 흐름 모델을 학습할 수 있다. 주기적 경계 조건을 갖는 LJ 디스크 시스템에서 본 알고리즘은 에너지 계산 횟수를 두 자릿수(100배)가량 절감하고 실제 실행 시간(wall-clock time)을 약 30% 단축하며, 포텐셜 계산 비용이 커질수록 이러한 이점은 더욱 두드러진다. 나아가 흐름 모델의 생성 효율은 물리적 진단 지표로도 기능한다. 어닐링 궤적을 따라 비단조적으로 변하고 밀집된 무질서 영역에서 가장 낮게 나타나며, 학습 윈도우에 걸친 타깃 이동 및 제약 앙상블 내부의 모드 복잡도와 함께 정량적으로 포착된다. 이는 사전분포-타깃 간 분리가 아닌 액체 유사 앙상블이 현행 흐름 아키텍처의 주된 난제임을 보여준다.

원문 초록

Nested sampling (NS) resolves the thermodynamics of an atomistic system from a single simulation, but its practical reach is limited by the Markov-chain updates needed to decorrelate walkers within each likelihood-constrained ensemble. Flow-based NS has reduced this bottleneck for gravitational-wave (GW) inference, yet its transfer to atomistic systems is not merely a change of application. Comparing a GW150914-like binary-black-hole likelihood with an eight-particle two-dimensional Lennard-Jones (LJ) system of comparable dimensionality, we show that the two landscapes differ fundamentally: atomistic multimodality is discrete and combinatorial, generated by particle permutations separated by hard collision walls, and its coordinate coupling is dense and collective, whereas the GW posterior exhibits smooth degeneracies and localized parameter coupling. Guided by this diagnosis, we introduce NS-Flows: a single conditional normalizing flow, conditioned on the NS energy bound and trained on a sliding window of recent live sets, that replaces MCMC by direct parallel draws corrected by importance-weighted rejection resampling. Live sets supply the data self-consistently, allowing flow training without structured priors or a pre-existing dataset. For LJ disks under periodic boundary conditions, the algorithm can reduce energy evaluations by two orders of magnitude and wall-clock time by about 30%, an advantage that becomes more favorable as the cost of the potential grows. The flow's generative efficiency further acts as a physical diagnostic: it varies non-monotonically along the annealing trajectory, is lowest in the dense disordered regime, and is quantitatively captured by the constrained ensemble's internal mode complexity together with target drift across the training window, identifying liquid-like ensembles, not prior-target separation, as the hard case for current flow architectures.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.03193v2
  2. arXiv:2609.03193v1제출 시각 미확인

함께 살펴볼 논문

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

arXiv:2610.13656v1stat.ML공통 태그 Bayesian Inference, normalizing flows

비가우시안 공간 장을 위한 확장 가능한 희소 자기회귀 변분 추론

Scalable Sparse Autoregressive Variational Inference for Non-Gaussian Spatial Fields

잠재 장 모델(Latent field model)은 공간 통계학에서 필수적이지만, 가우시안 프로세스(GP) 사전을 사용하더라도 가능도(likelihood)가 비가우시안(non-Gaussian)일 때마다 잠재 장의 사후 분포는 해석적으로 다루기 어렵습니다. 기존의 근사 기법들은 대규모 비가우시안 데이터셋에 적용하기에 너무 느리거나 지나치게 제약적입니다. 본 논문에서는 변분 족(variational family) 내에서 사전 분포의 희소 최근접 이웃 자기회귀 구조를 반영하고, 표현력을 위해 정규화 흐름(normalizing flow) 조건부 분포를 사용하며, 단일 공유 신경 조건화기(neural conditioner)를 통해 모든 변분 파라미터를 상각(amortize)하는 확장 가능한 변분 추론(variational inference) 프레임워크를 제안합니다. 축소된 조상 집합을 활용한 이중 확률적 최적화(doubly stochastic optimization)를 통해 반복(iteration)당 다항 로그 복잡도를 달성합니다.

arXiv:2610.10870v1stat.ML공통 태그 Bayesian Inference, normalizing flows

분산 감소를 적용한 변환 기반 샘플러

Transformed Samplers with Variance Reduction

마르코프 연쇄 몬테카를로(MCMC) 방법은 복잡한 확률 분포에서 기댓값을 계산하기 위한 표준적인 도구입니다. 제어 변량(control variate)은 이를 통해 얻은 추정치의 분산을 줄여주지만, 좋은 제어 변량을 얻으려면 샘플러의 포아송 방정식(Poisson equation)을 풀어야 하며 이는 닫힌 형태의 해(closed-form solution)를 갖는 경우가 드뭅니다. 단순한 참조 밀도(reference density) 상에서 샘플러의 커널(kernel)에 대한 스펙트럼 분해(spectral decomposition)가 알려져 있을 때는 정확한 해를 구할 수 있습니다. 본 연구에서는 학습된 변수 변환(change of variables)을 통해 이러한 해를 일반적인 목표 분포로 확장합니다. 목표 분포가 잠재 공간(latent space)에서 참조 분포와 가까워지도록 정규화 흐름(normalizing flow)과 같은 전단사 함수(bijection)를 학습시키며, 마르코프 커널과 해당 포아송 해가 임의의 전단사 함수에 의해 변환됨을 보입니다. 이어 이러한 샘플러를 잠재 공간에서 실행하면 명시적인 제어 변량이 도출되며, 사상(map)과 목표 분포에 대한 온건한 꼬리 조건(mild tail conditions) 하에서 추정량의 일치성(consistency)이 보장됩니다. 흐름(flow) 기반의 중요도 샘플링(IS)은 동일한 구조의 극한 사례(limiting case)이며, 제어 변량은 이 경우에도 동일하게 적용됩니다. 합성 목표 분포 및 실제 사후 분포(posterior)를 대상으로 한 실험을 통해 본 절차를 최신 샘플러 및 제어 변량과 비교합니다.

arXiv:2607.03809v1cs.LG공통 태그 Bayesian Inference, normalizing flows

Stable Global Weighting of Flow Mixtures using Simplex Exponential Moving Average

정규화 플로우(Normalising flows)는 근사 추론을 위한 강력한 변분 패밀리를 제공하지만, 개별 아키텍처는 이질적인 사후 분포 기하에 대해 일반화하지 못하는 경우가 많다. 본 연구에서는 혼합 기반 플로우 공식화를 재검토하고, 단순체 지수 이동 평균(Simplex Exponential Moving Average, sEMA) 업데이트에 기반한 안정적 전역 가중치 메커니즘을 갖춘 2단계 프레임워크인 AMF-VI-sEMA를 소개한다. 1단계에서는 이질적인 전문가 집합(RealNVP, MAF, RBIG)을 독립적으로 학습하여 서로 다른 구조적 체계에 특화시킨다. 2단계에서는 전문가 파라미터를 고정한 채, 평균 로그-우도의 온도 제어 소프트맥스를 통해 전역 혼합 가중치를 학습하고, 확률 단순체 위에서 부드러운 EMA 업데이트를 적용한다. 이 설계는 샘플별 게이팅이나 가중치에 대한 그래디언트 역전파 없이도 적응적으로 용량을 재분배하면서 컴포넌트 붕괴를 방지하는, 다루기 쉽고 데이터에 무관한 게이팅 메커니즘을 만들어낸다. 우리는 열 가지 사후 벤치마크에서 프레임워크를 평가한다: 6개의 정형화된 2D 합성 패밀리(Banana, X-Shaped, Bimodal, Multimodal, Two-moons, Rings)와 4개의 실제/저차원 베이지안 타겟(BLR, BPR, Weibull, Real-GMM2)이며, 더 강력한 기준선(NICE, ResFlow, EM-Mixing)과 비교한다. 종합적인 평가는 NLL, KL 발산, Wasserstein-2 거리, MMD를 포함하며, 혼합 동역학, 하이퍼파라미터 민감도, 시드 교차 견고성에 대한 진단도 함께 수행한다. 실험적으로, AMF-VI-sEMA는 전작인 AMF-VI 대비 일관된 NLL 개선을 달성하고, 단일 플로우 기준선의 치명적 전송 실패를 회피하면서, 최소한의 계산 오버헤드로 안정적인 가중치 궤적($N_{\mathrm{eff}}{>}1.4$, 모든 데이터셋)을 유지한다.

arXiv:2607.03904v1cs.LG공통 태그 Bayesian Inference, normalizing flows

물리 정보 기반 인코딩과 시뮬레이션 기반 추론을 갖춘 트랜스포머를 이용한 펄서 타이밍 배열 데이터에서의 이심 쌍성 블랙홀 강건 검출

Transformers with Physics-Informed Encodings and Simulation-Based Inference for Robust Detection of Eccentric Binary Black Holes in Pulsar Timing Array Data

펄서 타이밍 배열(PTA)은 나노헤르츠 중력파(GW)를 관측할 수 있는 독보적인 창을 제공하지만, 잡음이 많은 장기선 타이밍 잔차에서 천체물리학적 매개변수를 추출하는 작업은 매개변수 공간의 고차원성, 복잡하고 상관된 잡음 모델, 반복적인 가능도 평가의 계산 비용으로 인해 전통적인 베이즈 기법으로는 계산적으로 매우 까다롭다. 우리는 PTA 데이터에서 상대론적 궤도를 도는 이심 쌍성 블랙홀을 효율적으로 추론하기 위해 물리 정보 기반 위치 인코딩 프레임워크를 갖춘 트랜스포머를 소개한다. 우리의 접근법은 구조적 위치 인코딩을 통해 해석적 중력파 위상 진화를 모델에 직접 내재시킴으로써, 네트워크가 원시 PTA 타이밍 잔차로부터 물리적으로 의미 있는 표현을 학습할 수 있도록 한다. 이어서 이산 및 연속 조건부 정규화 흐름을 포함한 생성 모델을 활용하여 시뮬레이션 기반 추론 프레임워크 내에서 사후 분포를 추론한다. 다양한 신호 대 잡음비 범위에 걸쳐, 제안된 방법은 물리 불가지론적 기준선 대비 향상된 정확도, 더 선명한 사후 분포, 빠른 추론을 달성한다. 결정론적 백색 잡음 신호를 대상으로 제시되었지만, 모듈식 프레임워크는 적색 잡음 및 추가 성분을 포함하는 현실적인 PTA 분석으로 손쉽게 일반화된다. 본 연구는 차세대 PTA 데이터셋을 위한 기존 추론 파이프라인의 확장 가능한 대안으로서 물리 인식 심층 학습 모델의 잠재력을 부각시킨다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.