適応加重サンプリングのためのベイジアン更新方法

コンフォメーションスペースを探索することは、複雑なシステムのシミュレーションにとって依然として困難なタスクです。このようなタスクを強化する1つの方法は、たとえば、めったにサンプリングされない領域に高い重みを割り当てることにより、加重サンプリングです。ただし、事前に適切な重みを推定することは困難であるため、適応的な方法が望まれます。ここでは、ベイジアン推論に基づいた適応加重サンプリングの方法を提示します。ベイジアン推論のフレームワーク内で、以前のデータからの情報が以前の分布に保存され、新しいデータに従って事後分布に更新される更新スキームを開発します。ここで提案されている方法は、分散コンピューティングに特に適しています。この方法では、大量のデータの急速な流入に対処する必要があります。

Exploring conformational spaces is still a challenging task for simulations of complex systems. One way to enhance such a task is weighted sampling, e.g., by assigning high weights to regions that are rarely sampled. It is, however, difficult to estimate adequate weights beforehand, and therefore adaptive methods are desired. Here we present a method for adaptive weighted sampling based on Bayesian inference. Within the framework of Bayesian inference, we develop an update scheme in which the information from previous data is stored in a prior distribution which is then updated to a posterior distribution according to new data. The method proposed here is particularly well suited for distributed computing, in which one must deal with rapid influxes of large amounts of data.