Aprender el Transporte Dinámico sin Datos

Resumen

Join us as we explore advanced dynamical transport algorithms for generative modeling, entirely independent of data inputs. This exploration emphasizes the process of sampling from target distributions utilizing unnormalized log-likelihood functions.

Our insights can be directly applied to multifaceted domains such as physics, chemistry, and Bayesian inference. Dive into this innovative approach, available via YouTube, that merges artificial intelligence with core scientific disciplines.

Programa

• Introducción al Transporte Dinámico
Panorama de los algoritmos de transporte dinámico
Importancia en la modelización generativa
• Muestreo de Distribuciones Objetivo
Funciones de log-verosimilitud no normalizadas
Desafíos del muestreo sin datos directos
• Fundamentos Teóricos
Formulación matemática del transporte dinámico
Principios clave de las ecuaciones diferenciales estocásticas (SDEs)
Introducción al transporte y transformación de medidas
• Métodos y Técnicas
Dinámica de Langevin
Monte Carlo Hamiltoniano (HMC)
Flujos normalizadores
Modelos generativos basados en puntuación
• Aplicaciones en Física
Muestreo del espacio de fases
Sistemas cuánticos e integrales de trayectoria
• Aplicaciones en Química
Dinámica molecular para rutas de reacción
Muestreo de importancia en sistemas químicos
• Aplicaciones en Inferencia Bayesiana
Muestreo de distribuciones a priori
Estimación a posteriori sin datos
• Aspectos Computacionales
Técnicas de integración numérica
Estrategias de cálculo eficientes
• Estudios de Caso
Ejemplos del mundo real en física
Simulaciones de sistemas químicos
Escenarios de inferencia bayesiana
• Conclusión
Recapitulación de conceptos clave
Perspectivas futuras en transporte dinámico
• Proyecto y Evaluación
Diseñar e implementar un modelo de transporte dinámico para una aplicación elegida
Evaluación basada en precisión, eficiencia e innovación

---

Materias

Computer Science