[LG]《Flow Sampling: Learning to Sample from Unnormalized Densities via Denoising Conditional Processes》A Havens, B Karrer, N Shaul [FAIR at Meta & Weizmann Institute of Science] (2026)

在科学采样中，从未归一化密度快速取样是一个悬而未决的难题。过去方法受困于长链模拟和反复能量评估，本质原因是没有目标样本可直接学习。

本文的核心洞见是：把采样重新看作从噪声出发的条件去噪过程。由此，只在端点计算一次能量梯度，并沿插值轨迹复用，训练出可摊销扩散采样器。

这项工作真正留下的遗产是把扩散采样从数据驱动推向能量驱动。它打开的新门是在球面、双曲等流形上学习采样，但尚未跨过的门槛是固定点训练收敛与一般流形扩展。

arxiv.org/abs/2605.03984 机器学习 人工智能 论文 AI创造营