ChatPaper.aiChatPaper

Emparejamiento del Puente de Schrödinger Ramificado

Branched Schrödinger Bridge Matching

June 10, 2025
Autores: Sophia Tang, Yinuo Zhang, Alexander Tong, Pranam Chatterjee
cs.AI

Resumen

Predecir las trayectorias intermedias entre una distribución inicial y una objetivo es un problema central en el modelado generativo. Los enfoques existentes, como el emparejamiento de flujos y el emparejamiento de puentes de Schrödinger, aprenden eficazmente mapeos entre dos distribuciones modelando una única trayectoria estocástica. Sin embargo, estos métodos están intrínsecamente limitados a transiciones unimodales y no pueden capturar evoluciones ramificadas o divergentes desde un origen común hacia múltiples resultados distintos. Para abordar esto, presentamos el Emparejamiento de Puentes de Schrödinger Ramificados (BranchSBM), un marco novedoso que aprende puentes de Schrödinger ramificados. BranchSBM parametriza múltiples campos de velocidad dependientes del tiempo y procesos de crecimiento, permitiendo la representación de la divergencia a nivel de población en múltiples distribuciones terminales. Demostramos que BranchSBM no solo es más expresivo, sino también esencial para tareas que involucran la navegación de superficies multipath, el modelado de bifurcaciones del destino celular a partir de estados progenitores homogéneos y la simulación de respuestas celulares divergentes a perturbaciones.
English
Predicting the intermediate trajectories between an initial and target distribution is a central problem in generative modeling. Existing approaches, such as flow matching and Schr\"odinger Bridge Matching, effectively learn mappings between two distributions by modeling a single stochastic path. However, these methods are inherently limited to unimodal transitions and cannot capture branched or divergent evolution from a common origin to multiple distinct outcomes. To address this, we introduce Branched Schr\"odinger Bridge Matching (BranchSBM), a novel framework that learns branched Schr\"odinger bridges. BranchSBM parameterizes multiple time-dependent velocity fields and growth processes, enabling the representation of population-level divergence into multiple terminal distributions. We show that BranchSBM is not only more expressive but also essential for tasks involving multi-path surface navigation, modeling cell fate bifurcations from homogeneous progenitor states, and simulating diverging cellular responses to perturbations.
PDF12June 12, 2025