May, 2021

利用标准化流高效建模格点场论中的平凡化映射：首次探究可扩展性

PDF
TL;DR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。
发现论文，激发创造
  • 使用等变连续流量扩展量子场论机器学习

    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

  • 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

  • 在潜空间中使用 Langevin 动态对正规化流采样

    本文提出了一种新的马尔可夫蒙特卡罗算法来应对标准归一化流在复杂分布上可能出现的病态问题，并将其与传统方法进行了比较，结果表明该方法不需要专门的训练，并且可以简单地与任何预先经过训练的 NF 网络结构一起使用。

    May, 2023

  • 晶格场论中的正则流介绍

    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

  • 任意时空维度中格点规范场理论的正则化流

    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

  • 训练计算密集型目标概率分布的正则化流

    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

  • 一种高效的基于正规化流的薛定谔方程解决方案的理论框架

    通过利用范畴学可解的问题，本文解决了量子力学中求解电子薛定谔方程的问题并提出了一个高效的方法。

    May, 2024

  • 基于条件归一化流的粗粒化分子表示的主动学习

    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

  • 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

  • 随机正常化流

    提出了随机归一化流的概念，它是一种在机器学习和统计力学领域中解决概率分布采样问题的方法，具有较快的采样效率和较强的表示能力。

    Feb, 2020