Apprendre le transport dynamique sans données

Aperçu

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.

Programme

• Introduction au transport dynamique
Aperçu des algorithmes de transport dynamique
Importance dans la modélisation générative
• Échantillonnage à partir de distributions cibles
Fonctions de log-vraisemblance non normalisées
Défis de l'échantillonnage sans données directes
• Fondements théoriques
Formulation mathématique du transport dynamique
Principes clés des équations différentielles stochastiques (EDS)
Introduction au transport et à la transformation de mesures
• Méthodes et techniques
Dynamique de Langevin
Monte Carlo hamiltonien (HMC)
Flots normalisants
Modèles génératifs basés sur le score
• Applications en physique
Échantillonnage d'espace des phases
Systèmes quantiques et intégrales de chemin
• Applications en chimie
Dynamique moléculaire pour les chemins de réaction
Échantillonnage d'importance dans les systèmes chimiques
• Applications en inférence bayésienne
Échantillonnage de la distribution a priori
Estimation posteriori sans données
• Aspects computationnels
Techniques d'intégration numérique
Stratégies de calcul efficaces
• Études de cas
Exemples réels tirés de la physique
Simulations de systèmes chimiques
Scénarios d'inférence bayésienne
• Conclusion
Récapitulatif des concepts clés
Perspectives futures dans le transport dynamique
• Projet et évaluation
Conception et mise en œuvre d'un modèle de transport dynamique pour une application choisie
Évaluation basée sur la précision, l'efficacité et l'innovation

---

Matières

Computer Science