通过归一化流在格点理论之间建立机器学习映射，可以作为精确采样和推理方案的组成部分。我们讨论并演示了在复制交换（并行加热）采样中应用流的两个应用，旨在改善拓扑混合，这些应用在当前可用的流的迭代改进基础上是可行的。

Apr, 2024

本研究提出了基于规范对称流的算法，利用掩码自回归变换对高维度格点几何中的规范场构型采样进行了可伸缩的、渐进性准确的流动采样算法探索，并提供了基于 SU (3) 格点规范场的一些初步应用结果。

May, 2023

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

机器学习技术特别是所谓的标准化流在蒙特卡洛模拟中变得越来越受欢迎，因为它们可以有效地逼近目标概率分布。在格点场论中，目标分布由作用的指数给出。我们提出了一种基于 REINFORCE 算法的标准化流估计器，避免了相关的计算问题，应用于临界维度的二维 Schwinger 模型，并显示它相比重新参数化技巧估计器的墙钟时间更快，内存需求减少了 30％，数值上更稳定，并允许进行单精度计算和使用半浮点张量核心。我们深入分析了这些改进的原因，这些优点也将出现在目标概率分布计算复杂的其他领域中。

Aug, 2023

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

本文综述了 Normalizing Flows 在分布学习中的构建和使用，旨在提供模型的背景和解释，回顾现有的最新文献，并确定未来可行的有前途的方向和未解决的问题。

Aug, 2019

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

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

本研究通过将问题分为精细程度和粗粒程度两个层面来解决 Boltzmann 分布的高效采样问题。利用粗粒程度空间上的条件正则流，实现了两个层面之间的概率联系，并使用主动学习的粗粒程度模拟来探索构型空间，从而在必要时更新流和进行全原子势能评估，通过丙氨酸二肽的实例表明，与当前最先进的机器学习方法相比，本方法在分子动力学仿真加速上可达到 15.9 至 216.2 倍的加速比。

Feb, 2024