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

本文提出了一种基于流的采样算法，对于 $SU (N)$ 晶格规范理论具备构造所必需的测度不变性。我们的关键贡献在于构建了针对 $SU (N)$（或 $U (N)$）变量的一类流，这些流尊重矩阵共轭对称性，然后将此技术应用于 $su (2)$ 和 $su (3)$ 二维晶格规范理论的采样分布。

Aug, 2020

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

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

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

本研究介绍了一种名为 NIF 的流行有噪声映射模型，可以通过注入变换学习数据流形的降维表示，有效提高了样品质量和数据嵌入的可分性。

Jun, 2020

本文介绍了归一化流在高维矩阵行列式计算和神经网络可逆变换这两个应用挑战中的巧妙应用，并使用三孔梁桥、拱桥、斜拉桥和悬索桥的对称结构图像数据集构建和训练了基于 TensorFlow Probability 库中的 Glow API 的归一化流模型，使其能够将桥梁数据集的复杂分布平滑地转换为标准正态分布，并通过对获得的潜在空间进行采样，生成与训练数据集不同的新桥梁类型。

Jan, 2024