Jan, 2024

流模型在相关格点 QCD 系列生成中的应用

PDF
TL;DR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。
发现论文，激发创造
  • 规范场上机器学习流的实际应用

    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

  • 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

  • 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

  • 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

  • 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

  • 对称流基概率采样在格点规范理论中的应用

    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

  • 基于流形采样的格点场理论多模型分布抽样

    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

  • 量子归一化流用于异常检测

    量子架构中采用正态流进行异常检测并展现出具有竞争力的性能表现。

    Feb, 2024

  • 基于正则化流的事件生成

    该论文提出了一种基于归一化流的新型积分器，可用于提高碰撞器物理模拟中的 Monte-Carlo 事件生成器的去加权效率，相对于基于替代模型的机器学习方法，我们的方法可以生成正确的结果，即使底层神经网络没有经过最优训练，我们以 Drell-Yan 型过程在 LHC 上的例子来说明这种新策略。

    Jan, 2020