格点场论的生成扩散模型

Nov, 2023

Generative Diffusion Models for Lattice Field Theory

Lingxiao Wang, Gert Aarts, Kai Zhou

TL;DR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。

Abstract

This study delves into the connection between machine learning and lattice field theory by linking generative diffusion models (DMs) with stochastic quantization, from a stochastic differential equation perspecti

machine learning lattice field theory generative diffusion models stochastic quantization global sampler

发现论文，激发创造

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

量子电路与扩散模型综合

量子计算中的生成机器学习模型和去噪扩散模型在产生期望的量子操作方面具有优势，并在纠缠生成和酉编译等任务中展示出灵活性和潜力。

Nov, 2023

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

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

生成型扩散模型的非平衡物理学

透明物理分析推导了扩散模型中的涨落定理、熵产生、Franz-Parisi 势函数，从非平衡物理的角度理解了最近发现的内在相变现象，该统一原理预计将引导机器学习从业者设计更好的算法，也将把机器学习与非平衡热力学联系起来。

May, 2024

量子生成扩散模型

此研究介绍了量子生成扩散模型（QGDM），一种完全的量子力学模型，用于生成量子态系列，灵感来自去噪扩散概率模型。QGDM 通过引入时间步骤相关的噪声进入量子态，并配对训练以逆转这种污染的降噪机制，高效地将完全混合态演化成目标量子态。与量子生成对抗网络的比较分析证明了 QGDM 的优越性，在涉及 4 个量子比特的数值模拟中，拟真度指标超过 0.99。此外，我们提出了一种资源高效的 QGDM 版本（RE-QGDM），其在涉及 8 个量子比特的任务中减少了对辅助量子比特的需求，同时保持了令人印象深刻的生成能力。这些结果展示了所提出模型在应对具有挑战性的量子生成问题方面的潜力。

Jan, 2024

使用扩散图进行稳定的生成建模

我们提出了一个结合扩散映射和兰格朗日动力学的生成模型，通过扩散映射近似训练样本的漂移项，并在离散时间的兰格朗日采样器中实现，以生成新样本。通过设置核带宽与未调整的兰格朗日算法中使用的时间步长相匹配，我们的方法有效地解决了通常与时间步长严重随机微分方程相关的稳定性问题。我们的框架可自然地扩展到生成条件样本。通过对合成数据集和随机子网格尺度参数化条件采样问题进行实验，我们验证了我们提出的方案的性能。

Jan, 2024

重正化扩散模型

使用扩散模型学习统计场论和量子场论的逆重整化群流。

Aug, 2023

量子噪声驱动的生成式扩散模型

量子驱动扩散模型的量子泛化被提出，并讨论了可在实际量子系统上进行实验测试的三种量子噪声驱动的生成扩散模型。通过利用量子噪声作为生成更复杂的概率分布的重要成分，我们的结果有望为处理从气候预测到神经科学、交通流分析到金融预测等广泛的实际应用任务的新型量子驱动生成扩散算法铺平道路。

Aug, 2023

去噪扩散概率模型的生成型量子机器学习

基于经典对应物，我们提出了量子去噪扩散概率模型（QuDDPM），以实现对量子数据的高效可训练生成学习。

Oct, 2023