論文の概要: Learning of Statistical Field Theories
- arxiv url: http://arxiv.org/abs/2511.09859v1
- Date: Fri, 14 Nov 2025 01:13:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-14 22:53:22.53187
- Title: Learning of Statistical Field Theories
- Title（参考訳）: 統計的場の理論の学習
- Authors: Shreya Shukla, Abhijith Jayakumar, Andrey Y. Lokhov,
- Abstract要約: 本稿では, 離散変数, 連続変数, ハイブリッド変数を持つシステムに一様に対応する逆問題に対するアプローチを提案する。
粗粒化下での手順の反復は, 完全な非摂動的再正規化群フローを再構築することを示す。
また、フルゲージ構成が不可能な現実的な設定に対処し、複数の場の理論に対する学習アルゴリズムを再構成する。
- 参考スコア（独自算出の注目度）: 3.160641766712591
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recovering microscopic couplings directly from data provides a route to solving the inverse problem in statistical field theories, one that complements the traditional-often computationally intractable-forward approach of predicting observables from an action or Hamiltonian. Here, we propose an approach for the inverse problem that uniformly accommodates systems with discrete, continuous, and hybrid variables. We demonstrate accurate parameter recovery in several benchmark systems-including Wegner's Ising gauge theory, $φ^4$ theory, Schwinger and Sine-Gordon models, and mixed spin-gauge systems, and show how iterating the procedure under coarse-graining reconstructs full non-perturbative renormalization-group flows. This gives direct access to phase boundaries, fixed points, and emergent interactions without relying on perturbation theory. We also address a realistic setting where full gauge configurations may be unavailable, and reformulate learning algorithms for multiple field theories so that they are recovered directly using observables such as correlations from scattering data or quantum simulators. We anticipate that our methodology will find widespread use in practical learning of field theories in strongly coupled regimes where analytical tools might fail.
- Abstract（参考訳）: データから直接微視的なカップリングを復元することは、統計場理論における逆問題の解法を提供する。
本稿では、離散変数、連続変数、ハイブリッド変数を持つシステムに一様に対応する逆問題に対するアプローチを提案する。
Wegner's Ising gauge theory, $φ^4$ theory, Schwinger and Sine-Gordon model, mixed spin-gauge system を含むいくつかのベンチマークシステムにおいて正確なパラメータ回復を示し、粗粒化による手順の反復が完全な非摂動的再正規化群フローを再構成することを示す。
これにより、摂動理論に頼ることなく、位相境界、固定点、創発的相互作用に直接アクセスすることができる。
また、フルゲージ構成が不可能な現実的な環境にも対処し、散乱データや量子シミュレータからの相関などの観測値を直接復元できるように、複数の場の理論の学習アルゴリズムを再構成する。
我々は,分析ツールが失敗する可能性のある強結合型体制下でのフィールド理論の実践的学習において,我々の方法論が広く利用されることを期待する。
関連論文リスト
- VIKING: Deep variational inference with stochastic projections [48.946143517489496]
変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。
パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。
これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
論文 参考訳（メタデータ） (2025-10-27T15:38:35Z) - Minimum-Excess-Work Guidance [17.15668604906196]
本稿では,事前学習した確率フロー生成モデルを導くための正規化フレームワークを提案する。
本手法は,科学応用に共通するスパースデータ体制における効率的なガイダンスを可能にする。
粗粒タンパク質モデルにおけるフレームワークの汎用性を実証する。
論文 参考訳（メタデータ） (2025-05-19T17:19:43Z) - Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
量子離散化拡散確率モデル(QD3PM)を提案する。
これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。
本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
論文 参考訳（メタデータ） (2025-05-08T11:48:21Z) - Applications of flow models to the generation of correlated lattice QCD ensembles [69.18453821764075]
機械学習された正規化フローは、格子量子場理論の文脈で、異なる作用パラメータで格子ゲージ場の統計的に相関したアンサンブルを生成するために用いられる。
本研究は,これらの相関を可観測物の計算における分散低減に活用する方法を実証する。
論文 参考訳（メタデータ） (2024-01-19T18:33:52Z) - Understanding Pathologies of Deep Heteroskedastic Regression [25.509884677111344]
ヘテロスケダスティックモデルは各データポイントの平均ノイズと残留ノイズの両方を予測する。
極端に言えば、これらのモデルはすべてのトレーニングデータを完璧に適合させ、残音を完全に排除する。
他方では、一定で非形式的な平均を予測しながら残音を過度に補正する。
中間地盤の欠如を観察し, モデル正則化強度に依存する相転移を示唆した。
論文 参考訳（メタデータ） (2023-06-29T06:31:27Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳（メタデータ） (2022-12-05T19:40:17Z) - Inferring Manifolds From Noisy Data Using Gaussian Processes [17.166283428199634]
ほとんどの既存の多様体学習アルゴリズムは、元のデータを低次元座標で置き換える。
本稿では,これらの問題に対処するための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-10-14T15:50:38Z) - Machine Learning and Variational Algorithms for Lattice Field Theory [1.198562319289569]
格子量子場論の研究において、格子理論を定義するパラメータは連続体物理学にアクセスする臨界性に向けて調整されなければならない。
経路積分の領域に適用される輪郭変形に基づいてモンテカルロ推定器を「変形」する手法を提案する。
我々は,フローベースMCMCが臨界減速を緩和し,オブザーシフォールドが原理的応用のばらつきを指数関数的に低減できることを実証した。
論文 参考訳（メタデータ） (2021-06-03T16:37:05Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z)
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。