Aprender el Transporte Dinámico sin Datos

Resumen

Explore algoritmos de transporte dinámico para modelado generativo sin datos, centrados en muestreo de distribuciones objetivo usando funciones de verosimilitud logarítmica no normalizadas, con aplicaciones en física, química e inferencia bayesiana.

Programa de estudio

• 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

Asignaturas

Ciencias de la Computación