論文の概要: Flow Matching at Scale: A Machine Learning Framework for Efficient Large-Size Sampling of Many-Body Systems

• arxiv url: http://arxiv.org/abs/2508.15318v2
• Date: Wed, 03 Sep 2025 17:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.216542
• Title: Flow Matching at Scale: A Machine Learning Framework for Efficient Large-Size Sampling of Many-Body Systems
• Title（参考訳）: 大規模フローマッチング:多体系の効率的な大規模サンプリングのための機械学習フレームワーク
• Authors: Qian-Rui Lee, Daw-Wei Wang,
• Abstract要約: マルコフ連鎖モンテカルロ法のスケーリング制限を克服するために,フローマッチングに基づく機械学習フレームワークを提案する。 2次元XYモデルでは,1つのネットワークがスパース温度点で小さな格子からのみ構成を訓練し,より大規模なシステムに対して信頼性の高いサンプルを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a machine learning framework based on Flow Matching to overcome the scaling limitations of Markov Chain Monte Carlo (MCMC) methods. We demonstrate its capability in the 2D XY model, where a single network, trained only on configurations from a small ($32\times 32$) lattice at sparse temperature points, generates reliable samples for a significantly larger system ($128\times 128$) across a continuous temperature range without retraining. The generated configurations show strong agreement with key thermodynamic observables and correctly capture the signatures of the Berezinskii-Kosterlitz-Thouless (BKT) transition. This dual generalization is enabled by the Flow Matching framework, which allows us to learn a continuous, temperature-conditioned mapping. At the same time, the inductive biases of the underlying CNN architecture ensure that the learned local physical rules are scale-invariant. This "train-small, generate-large" capability offers a powerful and efficient alternative for studying critical phenomena. The method can be directly applied to other classical or quantum many-body systems described by continuous fields on a lattice. Furthermore, this framework can serve as a powerful proposal generator in a hybrid scheme with MCMC, dramatically accelerating high-precision studies of the thermodynamic limit.
• Abstract（参考訳）: 本稿では,マルコフ連鎖モンテカルロ法(MCMC)のスケーリング限界を克服するために,フローマッチングに基づく機械学習フレームワークを提案する。 2次元XYモデルでは,小さな (32 時間32 ドル) 格子をスパース温度ポイントで構成のみにトレーニングした単一ネットワークが,連続的な温度範囲で,より大規模なシステム (128 時間128 ドル) に対して信頼性の高いサンプルを生成する。 生成した構成は、鍵となる熱力学的観測値と強い一致を示し、ベレジンスキー-コステリッツ-トゥーレス遷移(BKT)のシグネチャを正しく捉えている。 この二重一般化はFlow Matchingフレームワークによって実現されており、連続した温度条件のマッピングを学習することができる。 同時に、基盤となるCNNアーキテクチャの帰納バイアスは、学習した局所的な物理ルールがスケール不変であることを保証する。 能力は、臨界現象を研究するための強力で効率的な代替手段を提供する。 この方法は格子上の連続体によって記述された古典的あるいは量子的多体系に直接適用することができる。 さらに、このフレームワークはMCMCとのハイブリッドスキームにおいて強力な提案生成器として機能し、熱力学限界の高精度な研究を劇的に加速させることができる。

関連論文リスト

• Learning Kinetic Monte Carlo stochastic dynamics with Deep Generative Adversarial Networks [0.0]
  本稿では,GAN(Generative Adversarial Networks)が動的学習に有効であることを示す。 本稿では,2次元多粒子系への応用について紹介し,表面積のゆらぎと関連する時間依存性の粗さに着目した。
  論文  参考訳（メタデータ） (2025-07-29T12:48:03Z)
• Leveraging recurrence in neural network wavefunctions for large-scale simulations of Heisenberg antiferromagnets: the square lattice [1.9681634372790209]
  機械学習に基づく変分モンテカルロシミュレーションは、量子多体基底状態をターゲットにするための有望なアプローチである。 我々は、リカレントニューラルネットワーク(RNN)を変分アンセットとして使用し、そのリカレント特性を活用して、徐々に大きなシステムの基底状態をシミュレートする。 トレーニング時間を増やすことで,シミュレーションの結果の精度を体系的に向上できることを示す。
  論文  参考訳（メタデータ） (2025-02-24T13:35:23Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• CWF: Consolidating Weak Features in High-quality Mesh Simplification [50.634070540791555]
  これらの要件をすべて同時に検討するスムーズな機能を提案する。 この官能基は、通常の異方性項と、セトロイド型ボロノイテッセルレーション(CVT)エネルギー項を含む。
  論文  参考訳（メタデータ） (2024-04-24T05:37:17Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• A framework for efficient ab initio electronic structure with Gaussian Process States [0.0]
  本稿では,現代の機械学習による量子多体状態の表現を用いて,現実的なフェルミオン系の効率的なシミュレーションを行うための枠組みを提案する。 3次元水素中のモット転移の単純化されたモデルを含む、最大64個の電子を持つ系の競合精度を示す。
  論文  参考訳（メタデータ） (2023-02-02T13:40:38Z)
• Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on Quantum Computers [52.77024349608834]
  少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。 逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2021-03-04T18:21:00Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。