自回歸玻爾茲曼生成器：突破歸一化流限制的高效分子採樣新範式

本文針對統計物理中分子系統熱力學平衡採樣的效率瓶頸，提出了一種名為自回歸玻爾茲曼生成器（ArBG）的全新框架。傳統玻爾茲曼生成器嚴重依賴歸一化流，面臨可逆性約束導致的表達能力受限或連續時間計算代價高昂的問題。ArBG摒棄了基於流的範式，利用大型語言模型中有效的自回歸架構，不僅規避了拓撲約束，還支援序列推理時的干預，顯著提升了可擴展性。在多個基準測試中，ArBG均大幅優於基於流的方法，特別是在包含10個殘基的Chignolin等較大多肽系統上表現突出。此外，作者訓練了一個擁有1.32億參數的可遷移模型Robin，在8殘基系統上將零樣本能量誤差E-W2降低了60%以上，刷新了現有最先進行。