Les générateurs de Boltzmann ont émergé comme un outil d'apprentissage automatique prometteur pour générer des échantillons à partir de distributions d'équilibre de systèmes moléculaires en utilisant des flux normalisés et un pondération d'importance. Récemment, la correspondance d'écoulement a contribué à accélérer les flux normalisés continus (FNC), à les adapter à des systèmes moléculaires plus complexes et à minimiser la longueur des trajectoires d'intégration des flux. Nous étudions les avantages de l'utilisation des gradients de chemin pour affiner les FNC initialement entraînés par correspondance d'écoulement, dans le cadre où une énergie cible est connue. Nos expériences montrent que cette approche hybride permet une augmentation jusqu'à trois fois l'efficacité de l'échantillonnage pour les systèmes moléculaires, tout en utilisant le même modèle, un budget computationnel similaire et sans besoin d'échantillonnage supplémentaire. De plus, en mesurant la longueur des trajectoires d'écoulement lors de l'affinage, nous montrons que les gradients de chemin préservent largement la structure apprise du flux.
Vaitl et al. (Thu,) ont étudié cette question.