基于流的生成模型在格子场理论马尔可夫链蒙特卡罗中的应用
本文介绍一种构建多模式目标下流水线模型的新方法,应用于二维实标量场理论的对称破缺相建模中,研究不同基于流模型的采样算法的表现,包括一种复合采样算法,其中偶尔会使用传统算法如 HMC 进行更新。
Jul, 2021
本文展示应用深度生成机器学习模型于晶格场论中,可用于解决马尔可夫链蒙特卡罗方法面临问题的前途。特别地,我们展示了生成模型可用于估算自由能的绝对值,这与现有的基于 MCMC 的方法仅估算自由能差异有所不同。我们在二维 $\phi^4$ 理论中展示了所提出方法的有效性,并在详细的数字实验中与基于 MCMC 的方法进行了比较。
Jul, 2020
该研究通过将生成扩散模型(DMs)与随机量子化与随机微分方程的角度链接,深入探讨了机器学习与晶格场论之间的联系。我们展示了 DMs 可以通过逆转由 Langevin 方程驱动的随机过程的方式进行概念化,从而生成来自初始分布的样本以近似目标分布。通过一个玩具模型,我们强调了 DMs 学习有效动作的能力。此外,我们展示了作为二维 Phi^4 量子晶格场论中生成配置的全局采样器的可行性。
Nov, 2023
本文提出了一种新的算法用于降低拉特木蒙特卡罗算法中欧几里得场论的自相关性,我们的算法采用了受限玻尔兹曼机的混合蒙特卡罗算法,在三维 Φ ^ 4 理论中验证了算法的有效性。我们观察到自相干减少,我们提出的算法在对称相和破碎相都提供了与原始 HMC 相同的期望动作密度和一点格林函数的一致中心值,在对称相中,HMC 和我们提出的算法计算的两点格林函数存在轻微差异,此外,在临界点附近,一点格林函数的分布与 HMC 不同。
Dec, 2017
本文介绍使用概率图模型,如刻画了独立同分布及网络参数的全贝叶斯网络,学习诱导先前未知的损失函数与标签之间的概率分布,并为之构建一个先验分布,以此来缓解过拟合及提高泛化性能。
May, 2021
我们考虑了从 Boltzmann 分布中采样离散场配置的问题,并通过运算符学习将其建模为一个时间相关的算子,该算子可以将自由理论和目标理论的泛函分布相互映射。我们的实验证明,基于此种算子的流架构在尺寸超过训练集的晶格中的表现良好,并且通过在较小的晶格上进行预训练可以提高训练速度。
Jan, 2024
利用机器学习的归一化流,在格点量子场论上可以生成具有统计相关性的不同作用参数下的格子规范场集合,本研究展示如何利用这些相关性来减少计算可观测量时的方差。通过一种新颖的残差流架构展示了三种概念验证应用:规范理论的连续极限、量子色动力学可观测量的质量依赖和基于费曼 - 赫尔曼方法的强子矩阵元素。在这三种情况下,相比于使用不相关的集合或直接改重赋权重进行的相同计算,显示出机器学习流的加入可以显著减小统计误差。
Jan, 2024
通过机器学习流模型抽样算法实现格点规范场理论,在二维 U (1) 规范理论中的应用表明该方法在采样拓扑量方面比混合 Monte Carlo 和热浴等传统采样方法高效数倍。
Mar, 2020
通过浅层结构设计和问题的对称性,提出了一种连续的正则化流,用于从物理量子场论的高维概率分布中进行采样,相对于现有的深度结构,该提出的正则化流使得样本效率得到了明显提高。
Oct, 2021
本文介绍一种使用正则化流方法对晶格场论的 Boltzmann 分布进行采样的方法,特别是在 U(1)规范理论中应用流动方法的编码,以产生包含规范对称性的物理量的结果。
Jan, 2021