Jeffreys Flow: Robustes Boltzmann-Generator-Modell für seltene Ereignisse

Die Simulation physikalischer Systeme mit rauen Energielandschaften wird häufig durch seltene Ereignisse und metastabile Trapping‑Zustände erschwert. Boltzmann‑Generatoren haben bereits einen vielversprechenden Ansatz, doch ihre Abhängigkeit vom rückwärtsgerichteten Kullback–Leibler‑Divergenz führt oft zu katastrophalem Modenkollaps, bei dem wichtige Moden in multimodalen Verteilungen übersehen werden.

In der neuen Studie wird der „Jeffreys Flow“ vorgestellt – ein robustes generatives Framework, das dieses Problem durch die Distillation von empirischen Sampling‑Daten aus Parallel‑Tempering‑Trajektorien mit der symmetrischen Jeffreys‑Divergenz löst. Diese Methode balanciert präzises Zielverfolgen mit einer umfassenden Abdeckung globaler Moden und verhindert so Modenkollaps.

Die Autoren demonstrieren die Skalierbarkeit und Genauigkeit des Ansatzes an hochgradig nichtkonvexen mehrdimensionalen Benchmarks. Dazu gehören die systematische Korrektur stochastischer Gradienten‑Biases in Replica‑Exchange‑Stochastic‑Gradient‑Langevin‑Dynamics sowie die enorme Beschleunigung exakter Importance‑Sampling‑Methoden in Path‑Integral‑Monte‑Carlo für quantenmechanische thermische Zustände.