NeurIPS 论文:树搜索引导扩散模型,单次搜索覆盖多目标 Pareto 前沿
CatAstro_Piyush · x · 2026-11-21
McGill 团队的论文《Diffusion Tree Sampling for Inference Time Adaptation of Crystal Generative Models》将在悉尼 NeurIPS 上展示,提出用蒙特卡洛树搜索在推理时适配晶体生成扩散模型,无需微调。
- 问题:扩散模型虽是良好晶体结构先验,但要同时引导多个相互冲突的材料属性,微调成本高且每个目标都要训练新模型,可微引导又不适配许多真实任务。
- 方法:在去噪轨迹上做 Monte Carlo 树搜索(Diffusion Tree Sampling, DTS),推理时即完成适配。
- 两项技术贡献:一是将现成的属性条件生成模型(如经 classifier-free guidance 微调的模型)直接用作 DTS 的引导提议分布而不扭曲目标分布;二是把 DTS 扩展到多目标采样,单次搜索即可采样覆盖整个 Pareto 前沿。
- 实验在从头晶体生成上验证:提升不同模型生成晶体的稳定性、用预训练条件模型生成稀有空间群或高体模量晶体、并生成高介电常数与高带隙材料的 Pareto 前沿。
「研究」频道最新
- 斯坦福论文:27B 模型靠推理改写自身权重,零训练零梯度自我提升 — rohanpaul_ai · 2026-11-21
- 模型自改权重:27B 无梯度自优化,8 轮迭代准确率持续上升 — Jiajun Fan · 2026-11-21
- Stability 研究团队提出 PMD 蒸馏:匹配倾斜均值即可锁定教师后验 — ArashVahdat · 2026-11-21
- 实践者吐槽:Lean 编译通过的自然语言证明,读起来仍是错的 — jasondeanlee · 2026-11-21
- 黎曼猜想真被证明了会改变什么?答案:几乎不影响日常,四页纸加 1700 万行 Lean — stingning · 2026-11-21
- 实测 11 个开源模型新注意力架构:128K 上下文显存最高省 139 倍 — bariskasikci · 2026-11-21