Jul, 2020

使用深度生成模型估计格点场论中的热力学物 observables

PDF
TL;DR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。
deep generative modelslattice field theorymarkov chain monte carlo methodsfree energy$\phi^4$ theory
发现论文，激发创造
  • 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

    使用基于机器学习流的生成模型的马尔可夫链更新方案，可用于网格场论的蒙特卡罗采样。

    Apr, 2019

  • 格点场论的生成扩散模型

    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

  • 基于可微的热性质深度生成模型的正则系综建模

    提出了一种具有可微温度的变分建模方法，通过深度生成模型，在连续温度范围内同时估计和最小化自由能，应用于研究 Ising 模型和 XY 模型中的相变，并显示出相对于 Markov Chain Monte Carlo（MCMC）模拟更高效准确的直接采样模拟，此外，这种方法能够以温度的可微函数给出热力学量，与精确解的自由能二阶导数非常接近，因此这种温度依赖性的包含使得原来有偏差的变分模型能够捕捉到相变中的微妙热效应，这些发现为使用深度生成模型直接模拟物理系统提供了新的思路。

    Apr, 2024

  • 具有能量分布概率评估的深度有向生成模型

    本论文提出了一种利用生成对抗网络（GAN）和基于深度神经网络的生成模型来代替 MCMC 模型的方法，通过训练这种模型生成的采样分布近似匹配待训练的能量函数。

    Jun, 2016

  • 机器学习在受晶格量子色动力学启发下的取样中的进展

    从已知的概率分布中采样是计算科学中普遍存在的任务，为从语言学到生物学和物理学的各个领域的计算提供支持。然而，科学领域中的生成任务具有独特的结构和特征，如复杂对称性和精确性保证的要求，对机器学习提出了挑战和机会。本文介绍了以格点量子场论为动机的基于机器学习的采样方法的进展，尤其是在量子色动力学理论的应用中。这种方法使我们能够从粒子物理学的最基本理解中计算物质的结构和相互作用，在全球范围内是开放科学超级计算的主要消费者。本文还涵盖了该应用中的机器学习算法设计所面临的深层次挑战，包括将自定义机器学习架构扩展到最大的超级计算机，但也揭示了巨大的潜力和在机器学习采样领域中发展的浪潮。在格点场论中，如果这种方法能够实现早期的承诺，将是迈向无法用传统方法计算的粒子、核和凝聚态物理的第一性原理物理计算的转变性进展。

    Sep, 2023

  • 通过神经算子对量子场论进行多晶格采样

    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

  • 深度学习哈密尔顿蒙特卡罗

    本文介绍了使用堆叠神经网络层来泛化哈密顿蒙特卡洛算法，并评估了其在二维格点规范理论中从不同拓扑结构中采样的能力。我们证明了我们的模型能够成功混合不同拓扑模式，显着减少了需要生成独立规范场配置的计算成本。

    May, 2021

  • 格点场论中的扩散模型作为随机量化

    本研究通过数值模拟，证明了生成扩散模型 (DM) 可以有效减小马尔可夫链中的自相关时间，特别是在临界区域，这对于量子晶格场构型的生成具有重要意义，尤其是当生成大样本集合的成本很高时。

    Sep, 2023

  • 机器学习减少 HMC 中的自相关性

    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

  • 利用机器学习约束有效场论

    利用粒子物理过程结构从 Monte-Carlo 模拟中提取额外信息，用于训练神经网络模型估计可能性比率，进而放宽对有效场论的限制，提高精度。

    Apr, 2018