NeurIPS 2026: Lorenz Richter ist Co-Autor eines Papers zum Lernen von Schrödinger-Brücken

Unser Gründer Lorenz Richter (dida, Zuse Institute Berlin) ist Co-Autor eines Papers, das auf der NeurIPS 2026 angenommen wurde: „A Trust Region Approach for Learning Schrödinger Bridges“. Seine Co-Autoren sind Takeshi Koshizuka (RIKEN AIP, Kyushu University), Denis Blessing (Karlsruher Institut für Technologie) sowie Max Zimmer und Sebastian Pokutta (Zuse Institute Berlin, Technische Universität Berlin).

Das Problem: Sampling aus nicht normierten Dichten
Viele Fragestellungen in den Naturwissenschaften erfordern Stichproben aus einer Wahrscheinlichkeitsverteilung, die nur bis auf eine Normierungskonstante bekannt ist. Ein typisches Beispiel ist die Verteilung molekularer Konfigurationen, die durch eine Energiefunktion festgelegt ist. Schrödinger-Brücken sind dafür ein starkes Werkzeug. Das Standardverfahren, Iterative Proportional Fitting (IPF), ist in der Praxis jedoch oft instabil und kollabiert auf wenige Moden der Zielverteilung.

Der Ansatz: eine Trust Region für IPF
Das Paper schlägt vor, jedes Update innerhalb eines festen Kullback-Leibler-Abstands (KL) zur aktuellen Iterierten zu halten. Diese Trust Region macht aus IPF ein Mirror-Descent-Verfahren mit adaptiver Schrittweite. Das Training wird dadurch stabiler und Mode Collapse geht zurück. Die Autoren zeigen das an Benchmarks von Many-Well-Potenzialen bis zu Alanin-Dipeptid, einem Standard-Testmolekül in der Molekularsimulation.

Lorenz in Sydney treffen
Lorenz ist auf der NeurIPS 2026 in Sydney. Wer mit ihm über Scientific Machine Learning sprechen möchte, kann sich gern melden.

Das Paper ist auf arXiv verfügbar.