자기회귀 볼츠만 생성기

Autoregressive Boltzmann Generators

통계 물리학에서 열역학적 평형 상태의 분자 시스템을 효율적으로 샘플링하는 것은 중요한 과제입니다. 이 과제는 볼츠만 생성기(Boltzmann Generators, BG) 개발을 촉진했으며, BG는 생성 모델과 정확한 가능성 추정 및 중요 샘플링 보정을 결합하여 빠르게 상관 관계가 없는 평형 상태 샘플을 생성할 수 있도록 합니다. 그러나 현대적인 BG는 주로 정규화 흐름(Normalizing Flows, NF)에 의존하는데, 이는 엄격한 역변환 제약 조건으로 인해 표현력이 제한되거나 (이산 시간), 또는 계산 비용이 많이 드는 가능성 추정 방식을 사용합니다 (연속 시간). 본 논문에서는 이러한 한계를 극복하는 새로운 자기회귀 모델링 프레임워크인 자기회귀 볼츠만 생성기(Autoregressive Boltzmann Generators, ArBG)를 제안합니다. ArBG는 흐름 기반 BG 패러다임에서 벗어나 토폴로지적 제약을 우회하고, 추론 시간 동안 순차적인 개입을 가능하게 하며, 대규모 언어 모델에 효과적인 아키텍처를 활용하여 확장성을 향상시킵니다. 실험적으로 ArBG가 모든 벤치마크에서 흐름 기반 모델보다 상당한 성능 향상을 보임을 입증했으며, 특히 10개의 잔기를 갖는 키놀린(Chignolin)과 같은 더 큰 펩타이드 시스템에서 더욱 두드러진 개선 효과를 보였습니다. 또한 ArBG 프레임워크로 학습된 1억 3천2백만 개의 파라미터를 가진 전이 가능한 모델인 Robin을 소개하며, 이는 이전 최고 성능을 능가하여 8개의 잔기를 갖는 시스템에서 에너지 오차 E-W$_2$를 60% 이상 감소시켰습니다. 코드 repository는 다음 링크에서 확인할 수 있습니다: https://github.com/danyalrehman/autobg.

Efficient sampling of molecular systems at thermodynamic equilibrium is a hallmark challenge in statistical physics. This challenge has driven the development of Boltzmann Generators (BGs), which allow rapid generation of uncorrelated equilibrium samples by combining a generative model with exact likelihoods and an importance sampling correction. However, modern BGs predominantly rely on normalizing flows (NFs), which either suffer from limited expressivity due to strict invertibility constraints (discrete time) or computationally expensive likelihoods (continuous time). In this paper, we propose Autoregressive Boltzmann Generators (ArBG) -- a novel autoregressive modelling framework -- that overcomes these limitations by departing from the flow-based BG paradigm. ArBG circumvents the topological constraints of flows and enables sequential inference-time interventions, while offering enhanced scalability by leveraging architectures effective in Large Language Models. We empirically demonstrate that ArBG leads to significant improvements over flow-based models across all benchmarks, but particularly in larger peptide systems such as the 10-residue Chignolin. Furthermore, we introduce Robin, a 132 million parameter transferable model trained with the ArBG framework which improves over the previous state-of-the-art, reducing the zero-shot energy error, E-W$_2$, on 8-residue systems by over 60$\%$. The code can be found at the following link: https://github.com/danyalrehman/autobg.