BFMT：通过 Bootstrap Flow-Map Tree 增强 Tree Sampler 的搜索能力

有效导航高维空间以识别最佳候选者的能力 - 无论是设计目标分子结构还是生成具有首选属性的图像 - 都是现代科学进步的核心支柱。最近的基于树的采样器通过消除基于粒子的方法固有的奖励梯度瓶颈，实现了高度可扩展的推理时间搜索。尽管具有潜力，但现有的基于树的采样器从根本上受到节点评估所需的大量函数评估（NFE）的限制，从而削弱了它们在探索繁重的任务中的效用。此外，它们对每个深度的小而均匀的过渡的依赖阻碍了动态、自适应搜索能力。为了解决这个问题，我们引入了 Bootstrap Flow-Map-Tree（又名 BFMT），这是一种计算高效的采样框架，可以使用单个函数评估从任何树深度构建完整的树路径，从而大大减少计算开销，同时为顺序采样提供关键的远见。通过启用动态转换时间步调度，BFMT 有效地分配其采样预算，从广泛的全局探索平稳过渡到通过探索发现的高效用模式的细粒度局部细化。跨不同领域（从高维图像到大规模分子）的广泛实验和消融研究证明了 BFMT 在搜索和对齐任务中优于基线方法。