本研究通过引入序列玻尔兹曼生成器（SBG），改进了热力学平衡中分子状态采样的方法，利用正则化流和退火朗之万动力学，显著提升了三肽、四肽和六肽的样本质量与精度。

本文介绍了基于变分自编码器（VAE）和正则化流的深度生成模型，强调将物理先验知识融入模型以提高预测的准确性和稳定性。研究表明，这些方法在不同数据集上能够有效生成多样化且合理的数据。

本文介绍了多种基于正则化流的生成模型，如NIF、SoftFlow和Noise Flow，旨在提高样本质量和数据嵌入的可分性。研究通过改进模型结构和训练方法，提出了Flow++和ConvFlow等新模型，展示了其在去噪和分布学习中的有效性。

本文提出了一种基于Wiener过程微分变形的正则化流，用于不规则时间序列建模，包括直接插值。实验表明，该模型相对于变分RNN和潜在ODE基线具有优越的灵活性。