論文の概要: Learning Lattice Quantum Field Theories with Equivariant Continuous
Flows
- arxiv url: http://arxiv.org/abs/2207.00283v3
- Date: Wed, 20 Dec 2023 14:15:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 22:38:09.700162
- 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: 格子場理論の高次元確率分布から抽出する機械学習手法を提案する。
提案手法を$phi4$理論で検証し,提案したフローベース手法のサンプリング効率を体系的に上回っていることを示す。
- 参考スコア(独自算出の注目度): 10.124564216461858
- 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 Field Theories, which 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.
Furthermore, we demonstrate that our model can learn a continuous family of
theories at once, and the results of learning can be transferred to larger
lattices. Such generalizations further accentuate the advantages of machine
learning methods.
- Abstract(参考訳): 本稿では,単一神経ode層を基盤とし,問題の全対称性を包含した格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。
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。
さらに、我々のモデルは理論の連続的なファミリーを一度に学習できることを示し、学習結果をより大きな格子に転送することができる。
このような一般化は、機械学習の利点をさらに強調する。
関連論文リスト
- 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) - Generative Diffusion Models for Lattice Field Theory [8.116039964888353]
本研究は、生成拡散モデル(DM)と量子化を結びつけることによって、機械学習と格子場理論の関連性について考察する。
DMはランゲヴィン方程式によって駆動される過程を逆転させ,初期分布からサンプルを生成し,対象分布を近似することによって概念化可能であることを示す。
論文 参考訳(メタデータ) (2023-11-06T22:24:28Z) - Deep Stochastic Mechanics [18.880015124466514]
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 [6.886054809041191]
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) - Guaranteed Conservation of Momentum for Learning Particle-based Fluid
Dynamics [96.9177297872723]
本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。
我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。
提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2022-10-12T09:12:59Z) - 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。