---
format: "aidr-story-markdown/v1"
id: "732714e7e6ffa514ace7b986b01d1705862c239aa19880447940c8de7071fd59"
canonical_url: "https://aidr.today/732714e7?lang=vi"
title: "Diffusion tree sampling cho thích ứng thời gian inference của các Crystal Generative Models"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-11-16T05:00:00.000Z"
category: "Research"
topics: ["inference"]
source_urls: ["https://arxiv.org/abs/2611.17462"]
summary: "Các mô hình tạo sinh dựa trên Diffusion đã trở thành các prior mạnh mẽ về cấu trúc tinh thể khả thi, nhưng việc biến prior đó thành các ứng viên hứa hẹn đòi hỏi phải điều hướng theo nhiều thuộc tính mâu thuẫn cùng một lúc. Việc fine-tune tốn kém và tạo ra một mô hình mới cho mỗi mục tiêu mới, trong khi guidance khả vi không áp dụng được cho nhiều tác vụ thực tế. Thay vào đó, nhóm tác giả thích ứng các mô hình tạo sinh này tại thời gian inference bằng Diffusion Tree Sampling (DTS), một quy trình tìm kiếm cây Monte Carlo trên quỹ đạo khử nhiễu. Nhóm tác giả đưa ra hai đóng góp kỹ thuật trên DTS đặc biệt liên quan đến các ứng dụng AI-for-science. Thứ nhất, nhóm tác giả chỉ ra cách sử dụng các mô hình tạo sinh có điều kiện thuộc tính hiện có (ví dụ: các mô hình fine-tune cho classifier-free guidance) làm các đề xuất có hướng dẫn bên trong DTS mà không làm sai lệch phân phối mục tiêu. Thứ hai, nhóm tác giả mở rộng DTS sang lấy mẫu đa mục tiêu, nhờ đó một lần tìm kiếm tạo ra các mẫu trải dài toàn bộ Pareto front."
---

# Diffusion tree sampling cho thích ứng thời gian inference của các Crystal Generative Models

> [Open the canonical story](<https://aidr.today/732714e7?lang=vi>)

**Published:** 2026-11-16T05:00:00.000Z
**Category:** Research
**Topics:** inference

## Summary

Các mô hình tạo sinh dựa trên Diffusion đã trở thành các prior mạnh mẽ về cấu trúc tinh thể khả thi, nhưng việc biến prior đó thành các ứng viên hứa hẹn đòi hỏi phải điều hướng theo nhiều thuộc tính mâu thuẫn cùng một lúc\. Việc fine\-tune tốn kém và tạo ra một mô hình mới cho mỗi mục tiêu mới, trong khi guidance khả vi không áp dụng được cho nhiều tác vụ thực tế\. Thay vào đó, nhóm tác giả thích ứng các mô hình tạo sinh này tại thời gian inference bằng Diffusion Tree Sampling \(DTS\), một quy trình tìm kiếm cây Monte Carlo trên quỹ đạo khử nhiễu\. Nhóm tác giả đưa ra hai đóng góp kỹ thuật trên DTS đặc biệt liên quan đến các ứng dụng AI\-for\-science\. Thứ nhất, nhóm tác giả chỉ ra cách sử dụng các mô hình tạo sinh có điều kiện thuộc tính hiện có \(ví dụ: các mô hình fine\-tune cho classifier\-free guidance\) làm các đề xuất có hướng dẫn bên trong DTS mà không làm sai lệch phân phối mục tiêu\. Thứ hai, nhóm tác giả mở rộng DTS sang lấy mẫu đa mục tiêu, nhờ đó một lần tìm kiếm tạo ra các mẫu trải dài toàn bộ Pareto front\.

## Sources

- [Story source](<https://arxiv.org/abs/2611.17462>)

