Fugu-MT 論文翻訳(概要): Estimation of Thermodynamic Observables in Lattice Field Theories with Deep Generative Models

論文の概要: Estimation of Thermodynamic Observables in Lattice Field Theories with Deep Generative Models

arxiv url: http://arxiv.org/abs/2007.07115v2
Date: Tue, 5 Jan 2021 09:42:26 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 15:34:39.583514
Title: Estimation of Thermodynamic Observables in Lattice Field Theories with Deep Generative Models
Title（参考訳）: 深部生成モデルによる格子場理論の熱力学観測値の推定
Authors: Kim A. Nicoli, Christopher J. Anders, Lena Funcke, Tobias Hartung, Karl Jansen, Pan Kessel, Shinichi Nakajima, Paolo Stornati
Abstract要約: 生成モデルは自由エネルギーの絶対値の推定に利用できることを示す。 2次元の$phi4$理論に対する提案手法の有効性を実証する。
参考スコア（独自算出の注目度）: 4.84753320115456
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we demonstrate that applying deep generative machine learning models for lattice field theory is a promising route for solving problems where Markov Chain Monte Carlo (MCMC) methods are problematic. More specifically, we show that generative models can be used to estimate the absolute value of the free energy, which is in contrast to existing MCMC-based methods which are limited to only estimate free energy differences. We demonstrate the effectiveness of the proposed method for two-dimensional $\phi^4$ theory and compare it to MCMC-based methods in detailed numerical experiments.
Abstract（参考訳）: 本研究では,格子場理論に対する深層生成機械学習モデルの適用が,マルコフ・チェイン・モンテカルロ法(MCMC)の問題点を解く上で有望な方法であることを示す。より具体的には、生成モデルを用いて自由エネルギーの絶対値を推定できることを示し、これは既存のMCMC法とは対照的である。本研究では,2次元$\phi^4$理論に対する提案手法の有効性を実証し,詳細な数値実験においてmcmc法と比較する。

関連論文リスト

STANLEY: Stochastic Gradient Anisotropic Langevin Dynamics for Learning Energy-Based Models [41.031470884141775]
エネルギーベースモデル(EBM)のためのエンドツーエンド学習アルゴリズムを提案する。本稿では、異方性段差と勾配インフォームド共分散行列に基づく新しい高次元サンプリング法を提案する。提案手法,すなわちSTANLEYは,新しいMCMC法を用いてエネルギーベースモデルを学習するための最適化アルゴリズムである。
論文参考訳（メタデータ） (2023-10-19T11:55:16Z)
Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
論文参考訳（メタデータ） (2023-10-05T00:23:34Z)
Energy Discrepancies: A Score-Independent Loss for Energy-Based Models [20.250792836049882]
本稿では,スコアの計算や高価なマルコフ連鎖モンテカルロの計算に頼らない新しい損失関数であるEnergy Discrepancy (ED)を提案する。 EDは明示的なスコアマッチングと負のログ類似損失に異なる限界でアプローチし,両者を効果的に補間することを示した。
論文参考訳（メタデータ） (2023-07-12T19:51:49Z)
End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
論文参考訳（メタデータ） (2023-05-17T17:43:10Z)
Gauge-equivariant flow models for sampling in lattice field theories with pseudofermions [51.52945471576731]
本研究は,フェルミオン行列式の推定器として擬フェルミオンを用いたフェルミオン格子場理論におけるフローベースサンプリングのためのゲージ不変アーキテクチャを提案する。これは最先端の格子場理論計算におけるデフォルトのアプローチであり、QCDのような理論へのフローモデルの実践的応用に欠かせない。
論文参考訳（メタデータ） (2022-07-18T21:13:34Z)
Stochastic normalizing flows as non-equilibrium transformations [62.997667081978825]
正規化フローは従来のモンテカルロシミュレーションよりも効率的に格子場理論をサンプリングするための経路を提供することを示す。本稿では,この拡張された生成モデルの効率を最適化する戦略と応用例を示す。
論文参考訳（メタデータ） (2022-01-21T19:00:18Z)
Particle Dynamics for Learning EBMs [83.59335980576637]
エネルギーベースモデリングは教師なし学習への有望なアプローチであり、単一のモデルから多くの下流アプリケーションを生み出す。コントラスト的アプローチ(contrastive approach)"でエネルギーベースモデルを学習する際の主な困難は、各イテレーションで現在のエネルギー関数からサンプルを生成することである。本稿では,これらのサンプルを取得し,現行モデルからの粗大なMCMCサンプリングを回避するための代替手法を提案する。
論文参考訳（メタデータ） (2021-11-26T23:41:07Z)
Machine Learning of Thermodynamic Observables in the Presence of Mode Collapse [5.096726017663865]
深部生成モデルはパラメータ空間の与えられた点における自由エネルギーの直接推定を可能にする。本稿では,この機械学習に基づく新しい推定手法について概説する。
論文参考訳（メタデータ） (2021-11-22T15:59:08Z)
No MCMC for me: Amortized sampling for fast and stable training of energy-based models [62.1234885852552]
エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
論文参考訳（メタデータ） (2020-10-08T19:17:20Z)
Demystifying Orthogonal Monte Carlo and Beyond [20.745014324028386]
オルソゴン・モンテカルロ(オルソゴン・モンテカルロ、Orthogonal Monte Carlo、OMC)は、構造的幾何学的条件(オルソゴン性)をサンプルに課す非常に効果的なサンプリングアルゴリズムである。我々は、OMCの背後にある理論原理に新たな光を当て、いくつかの新しい濃度結果を得るために負依存確率変数の理論を適用した。我々は,Near-Orthogonal Monte Carlo (NOMC)と呼ばれる数論手法と粒子アルゴリズムを利用した新しい拡張法を提案する。
論文参考訳（メタデータ） (2020-05-27T18:44:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。