Modèles génératifs pour l'échantillonnage exact – SWiNGs

Le projet SWiNGs vise à exploiter le potentiel de l'apprentissage automatique génératif pour accélérer une tâche fondamentale du calcul scientifique : l'échantillonnage. L'échantillonnage à partir d'une mesure cible est essentiel pour approcher des intégrales de haute dimension et joue un rôle crucial dans l'inférence bayésienne ainsi que dans de nombreux domaines de la physique et de la chimie. Cependant, la multi-modalité de la mesure — où des régions probables de l'espace d'état sont séparées par des régions peu probables — pose un défi pour les algorithmes d'échantillonnage traditionnels, qui se retrouvent souvent piégés dans des modes en raison de leur méthode locale d'exploration. Des recherches récentes, y compris les miennes, ont montré que les modèles génératifs peuvent relever ce défi en facilitant une exploration non locale de l'espace d'état.

L'ambition du projet SWiNGs est de réaliser pleinement le potentiel de la modélisation générative pour l'échantillonnage en améliorant les trois principales composantes de la mise en œuvre de ces méthodes: les modèles, les algorithmes d'échantillonnage et les méthodes d'entrainement. Nous allons d'abord améliorer le passage à l'échelle des modèles génératifs en intégrant dans leur conception des informations extraites de la mesure cible. Ensuite, nous développerons des stratégies d'échantillonnage exactes tirant parti des modèles génératifs, garantissant un contrôle des erreurs. Enfin, nous étendrons les algorithmes d'entraînement et d'échantillonnage intégrés en vu d'éliminer le besoin d'informations préalables sur la mesure cible, créant ainsi des stratégies efficaces d'échantillonnage accéléré par la modélisation générative.

Toutes les méthodes développées seront mises à disposition sous forme de code open-source, et nous validerons les nouveaux algorithmes à l'aide de benchmarks exigeants tirés de la physiques.