一种用于生成模型的活性物质的有效势能.pdfVIP

一种用于生成模型的活性物质的有效势能

AdrianBaule

SchoolofMathematicalSciences,QueenMaryUniversityofLondon,LondonE14NS,UnitedKingdom

基于得分的扩散模型通过逆向一个扩散过程来生成来自复杂潜在数据分布的样本，并在诸如人工图

像合成等许多生成式AI应用中处于领先地位。在这里，我展示了如何根据具有有限相关时间的基本

活性粒子过程实现一个生成性扩散模型。与以往使用作用于活性粒子速度坐标的得分函数的方法不同，

在这里通过仅对位置坐标施加有效的时变势来实现时间逆向。有效势能精确到持续时间的一阶，并导

致完全由标准得分函数及其最多二阶导数决定的力场。对于人工数据分布的数值实验确认了有效势能

的有效性。

生成扩散模型是生成人工智能在生产高质量、多式中，前向（或加噪）过程被指定为[5]

样化和逼真图像、视频和其他内容方面的变革性发展。

受非平衡热力学[1]的启发，它们代表了一种强大的范(1)

式，通过这种方式可以从数据分布中生成新样本，即依

本次向分布添加噪声然后逆转这一过程。虽然标准的DM其中是漂移项，初始位置从数据分布

data中采样，该分布假设是连续的，并且样本空间

译公式基于具有不同噪声尺度的数据高斯扰动，例如，在

为。噪声是具有协方差

中去噪扩散概率模型[1,2]、去噪得分匹配模型[3,4]及

的高斯白噪声，而则指定了噪声尺

1其连续时间公式[5]中，最近的工作已经考虑了底层扩

v度的变化，这些通常被视作随[5]单调递增。

6散过程的推广。除了基于各种类型的非高斯噪声[6–9]

4的DM方法外，最近受物理学启发的研究提出了在扩正向过程的分布为，其概率密度函数

1（PDF）由

8展相空间中引入辅助“速度”变量以提高性能的方法，

0.例如使用临界阻尼兰金动力学[10]。在[11]中，已经

8ddata(2)

0探索了诸如主动粒子过程之类的相关噪声源，这些自

5然映射到这种扩展表示上。这些方法的时间反演实现

2确定，其中表示初始条件下的正

:引入了一个作用于速度坐标的向量场，以驱动生成过向过程equation(1)的条件PDF。

v

i程，并且已被证明在图像合成和模式选择[10,11]等

x生成过程然后从开始，使用