Apprendre le transport dynamique sans données

Aperçu

Explorez des algorithmes de transport dynamique pour la modélisation générative sans données, en vous concentrant sur l'échantillonnage à partir de distributions cibles en utilisant des fonctions de log-vraisemblance non normalisées, avec des applications en physique, chimie, et inférence bayésienne.

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

Sujets

Informatique