Sep, 2023
机器学习在受晶格量子色动力学启发下的取样中的进展
Advances in machine-learning-based sampling motivated by lattice quantum chromodynamics
Kyle Cranmer, Gurtej Kanwar, Sébastien Racanière, Danilo J. Rezende, Phiala E. Shanahan
TL;DR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。