論文の概要: Learning Lattice Quantum Field Theories with Equivariant Continuous Flows

• arxiv url: http://arxiv.org/abs/2207.00283v1
• Date: Fri, 1 Jul 2022 09:20:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 22:10:30.582686
• Title: Learning Lattice Quantum Field Theories with Equivariant Continuous Flows
• Title（参考訳）: 等価連続流をもつ格子量子場理論の学習
• Authors: Mathis Gerdes, Pim de Haan, Corrado Rainone, Roberto Bondesan, Miranda C. N. Cheng
• Abstract要約: 格子量子場理論の高次元確率分布から抽出する新しい機械学習手法を提案する。 提案手法は1つのニューラルODE層に基づいており、問題の完全な対称性を取り入れている。 我々のモデルは理論の連続的なファミリーを一度に学べることを示し、学習結果をより大きな格子に移すことができる。
• 参考スコア（独自算出の注目度）: 7.80488557952566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel machine learning method for sampling from the high-dimensional probability distributions of Lattice Quantum Field Theories. Instead of the deep architectures used so far for this task, our proposal is based on a single neural ODE layer and incorporates the full symmetries of the problem. We test our model on the $\phi^4$ theory, showing that it systematically outperforms previously proposed flow-based methods in sampling efficiency, and the improvement is especially pronounced for larger lattices. Compared to the previous baseline model, we improve a key metric, the effective sample size, from 1% to 91% on a lattice of size $32\times 32$. We also demonstrate that our model can successfully learn a continuous family of theories at once, and the results of learning can be transferred to larger lattices. Such generalization capacities further accentuate the potential advantages of machine learning methods compared to traditional MCMC-based methods.
• Abstract（参考訳）: 格子量子場理論の高次元確率分布からサンプリングする新しい機械学習手法を提案する。 このタスクにこれまで用いられてきた深いアーキテクチャの代わりに、提案は単一のニューラルネットワークode層に基づいており、問題の完全な対称性を組み込んでいる。 提案したフローベース手法をサンプリング効率で体系的に上回っており,特に大きな格子に対して改善が顕著であることを示す。 従来のベースラインモデルと比較して、有効なサンプルサイズである重要なメトリクスを332\times 32$の格子で1%から91%に改善しました。 また,我々のモデルが連続的な理論群を一度に学習できること,学習の結果をより大きな格子に移すことを実証した。 このような一般化能力は、従来のmcmcベースの方法に比べて機械学習の潜在的な利点をさらに強調する。

関連論文リスト

• Learning and Verifying Maximal Taylor-Neural Lyapunov functions [0.4910937238451484]
  我々はTaylor-neural Lyapunov関数と呼ばれる新しいニューラルネットワークアーキテクチャを導入する。 このアーキテクチャは局所近似を符号化し、ニューラルネットワークを利用して残差を近似することで世界規模で拡張する。 この研究は制御理論の大幅な進歩を表しており、安定な制御系などの設計に幅広い応用が期待できる。
  論文  参考訳（メタデータ） (2024-08-30T12:40:12Z)
• Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
  このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。 PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
  論文  参考訳（メタデータ） (2024-07-18T17:35:32Z)
• Gaussian Universality in Neural Network Dynamics with Generalized Structured Input Distributions [2.3020018305241337]
  ガウス混合体としてモデル化された入力に基づいて学習したディープラーニングシステムの振る舞いを分析し,より汎用的な入力をシミュレートする。 特定の標準化スキームの下では、入力データがより複雑あるいは実世界の分布に従う場合でも、ディープラーニングモデルはガウス的な設定行動に収束する。
  論文  参考訳（メタデータ） (2024-05-01T17:10:55Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Deep Stochastic Mechanics [17.598067133568062]
  本稿では,時間発展するシュリンガー方程式の数値シミュレーションのための,ディープラーニングに基づく新しい手法を提案する。 本手法により,マルコフ拡散からサンプリングすることで,波動関数の潜時低次元構造に適応することができる。
  論文  参考訳（メタデータ） (2023-05-31T09:28:03Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Aspects of scaling and scalability for flow-based sampling of lattice QCD [137.23107300589385]
  格子場理論におけるサンプリングへの機械学習正規化流れの最近の応用は、そのような手法が臨界減速と位相凍結を緩和できる可能性を示唆している。 最先端の格子量子色力学計算に適用できるかどうかはまだ定かではない。
  論文  参考訳（メタデータ） (2022-11-14T17:07:37Z)
• An optimal control perspective on diffusion-based generative modeling [9.806130366152194]
  微分方程式(SDE)に基づく最適制御と生成モデルとの接続を確立する。 特にハミルトン・ヤコビ・ベルマン方程式を導出し、基礎となるSDE限界の対数密度の進化を制御している。 非正規化密度から抽出する新しい拡散法を開発した。
  論文  参考訳（メタデータ） (2022-11-02T17:59:09Z)
• 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)
• Flow-based sampling for fermionic lattice field theories [8.46509435333566]
  この研究は、動的フェルミオンを持つ理論のフローベースサンプリングを可能にするアプローチを開発する。 実演として、これらの手法は、無質量安定フェルミオンの2次元理論のための場配置のサンプリングに応用される。
  論文  参考訳（メタデータ） (2021-06-10T17:32:47Z)
• Stochastic Flows and Geometric Optimization on the Orthogonal Group [52.50121190744979]
  直交群 $O(d)$ 上の幾何駆動最適化アルゴリズムの新しいクラスを示す。 提案手法は,深層,畳み込み,反復的なニューラルネットワーク,強化学習,フロー,メトリック学習など,機械学習のさまざまな分野に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-30T15:37:50Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。