发表机构
University of Toronto; NVIDIA; Vector Institute; ETH Zurich; NCCR Catalysis; Acceleration Consortium; CIFAR（多伦多大学; 英伟达; 向量研究所; 苏黎世联邦理工学院; 瑞士国家研究能力中心催化分部; 加速联盟; 加拿大高等研究院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
提出巨正则系综生成器（GCG），扩展玻尔兹曼生成器至巨正则系综，通过两种设计联合采样粒子数与构型，并在Lennard-Jones流体和沸石吸附中准确重现可观测量。
AI 中文摘要
我们提出了巨正则系综生成器（GCG），这是一个将玻尔兹曼生成器扩展到巨正则系综的生成框架。我们提出了两种设计。第一种设计以化学势为条件，使用可变大小的生成模型，联合采样粒子数和构型。第二种设计将巨正则分布分解为粒子数分布和相应的正则系综玻尔兹曼密度。这种分解形式可以使用任何现有的玻尔兹曼生成器作为正则系综部分，解析地编码已知的线性化学势依赖性，并产生一个易于处理的似然，支持自归一化重要性采样（SNIS）。实验上，GCG 在 Lennard-Jones 流体和沸石中甲烷吸附上准确重现了巨正则系综可观测量，展示了跨化学势的泛化能力，并通过 SNIS 和巨正则蒙特卡洛进行了校正。
英文摘要
We introduce Grand Canonical Generators (GCG), a generative framework that extends Boltzmann generators to the grand canonical ensemble. We present two designs. The first conditions a variable-size generative model on the chemical potential, sampling particle number and configuration jointly. The second factorizes the grand canonical distribution into a particle-number distribution and the corresponding canonical Boltzmann density. This factorized formulation can use any existing Boltzmann generator for the canonical component, encodes the known linear chemical-potential dependence analytically, and yields a tractable likelihood that supports self-normalized importance sampling (SNIS). Empirically, GCG accurately reproduces grand canonical observables on a Lennard--Jones fluid and methane adsorption in a zeolite, demonstrating generalization across chemical potentials and correction via SNIS and grand canonical Monte Carlo.
CommentsSimBioChem NeurIPS 206
