論文の概要: Diffusion model for SU(N) gauge theories
- arxiv url: http://arxiv.org/abs/2605.06134v1
- Date: Thu, 07 May 2026 12:34:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.774826
- Title: Diffusion model for SU(N) gauge theories
- Title（参考訳）: SU(N)ゲージ理論の拡散モデル
- Abstract要約: 暗黙のスコアマッチングは、拡散モデルの訓練に計算的に効率的なアプローチを提供する。
拡散モデルの訓練を成功させ,ウィルソンゲージ動作のサンプリングに適用できることが示される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Implicit score matching provides a computationally efficient approach for training diffusion models and generating high-quality samples from complex distributions. In this work, we develop a score-matching framework for SU(N) lattice gauge theories, which can be extended to other Lie groups. We apply the method to SU(3) gauge configurations with the Wilson gauge action in two and four dimensions and assess the quality of the generated samples by comparison with Hybrid Monte Carlo (HMC) simulations. We show that the diffusion models can be successfully trained and applied for sampling the Wilson gauge action. For large values of inverse coupling, accurate reverse-time integration requires predictor-corrector schemes, for which we introduce a corrector based on Hamiltonian molecular dynamics. While the corrector significantly improves sampling quality, it also increases the computational cost. We outline several strategies for improving sampling efficiency.
- Abstract（参考訳）: インプリシットスコアマッチングは、拡散モデルを訓練し、複雑な分布から高品質なサンプルを生成するための計算学的に効率的なアプローチを提供する。
本研究では、他のリー群に拡張可能なSU(N)格子ゲージ理論のスコアマッチングフレームワークを開発する。
本手法をHybrid Monte Carlo (HMC) シミュレーションと比較し, 2次元および4次元のWilsonゲージ作用を用いたSU(3)ゲージ構成に適用し, 生成した試料の品質を評価する。
拡散モデルの訓練を成功させ,ウィルソンゲージ動作のサンプリングに適用できることが示される。
逆結合の大きい値の場合、正確な逆時間積分は予測子-相関子スキームを必要とし、ハミルトン分子動力学に基づく補正子を導入する。
補正器はサンプリング品質を大幅に向上する一方、計算コストも向上する。
サンプリング効率を改善するためのいくつかの戦略を概説する。
関連論文リスト
- From Scores to Gibbs Correctors: Accelerating Uniform-Rate Discrete Diffusion Models [58.02657021435213]
我々は、Gibs-Accelerated Discrete Diffusion (GADD)と呼ばれる離散拡散モデルのための新しいGibsベースの修正器を提案する。
我々はGADDが$mathcalO(mathrmpolylog (varepsilon-1)$の総合的なサンプリング複雑性を達成し、均一レートの離散拡散モデルに対する拡散に基づくサンプリング者にとって最初のレートとなることを示す。
論文 参考訳（メタデータ） (2026-05-26T17:52:28Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Adjoint Sampling: Highly Scalable Diffusion Samplers via Adjoint Matching [33.9461078261722]
非正規化密度からの拡散過程を学習するための,高度にスケーラブルで効率的なアルゴリズムであるAdjoint Samplingを導入する。
カルテジアンおよびねじり座標の両方の分子をモデル化するために、鍵対称性と周期境界条件を組み込む方法を示す。
本稿では,古典的エネルギー関数の広範な実験を通じて提案手法の有効性を実証し,さらにニューラルネットワークに基づくエネルギーモデルまで拡張する。
論文 参考訳（メタデータ） (2025-04-16T02:20:06Z) - Dimension-Free Convergence of Diffusion Models for Approximate Gaussian Mixtures [18.828955620788566]
拡散モデルは、その例外的な生成性能によって区別される。
本稿では,複雑な高次元分布のサンプリングにおける拡散モデルの有効性について検討する。
論文 参考訳（メタデータ） (2025-04-07T17:59:07Z) - Physics-Conditioned Diffusion Models for Lattice Gauge Theory [9.0170155142412]
我々は格子ゲージ理論をシミュレートするための拡散モデルを開発し、量子化をサンプリングの物理条件として明示的に組み込む。
2つの時空次元におけるU(1)ゲージ理論の適用性を示す。
論文 参考訳（メタデータ） (2025-02-08T09:50:27Z) - The Unreasonable Effectiveness of Gaussian Score Approximation for Diffusion Models and its Applications [1.8416014644193066]
学習したニューラルスコアと2種類の抽出可能な分布のスコアを比較した。
学習したニューラルスコアは、中等度から高雑音スケールに対する線形(ガウス)近似によって支配される。
その結果,試料品質を維持しつつ,最初の15～30%のサンプリングステップをスキップできることがわかった。
論文 参考訳（メタデータ） (2024-12-12T21:31:27Z) - Parallel Simulation for Log-concave Sampling and Score-based Diffusion Models [55.07411490538404]
本稿では,次元$d$の適応的複雑性依存性を改善する並列サンプリング手法を提案する。
我々の手法は科学計算による並列シミュレーション技術に基づいている。
論文 参考訳（メタデータ） (2024-12-10T11:50:46Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
論文 参考訳（メタデータ） (2024-02-09T01:11:23Z) - Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。
画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
論文 参考訳（メタデータ） (2023-11-02T02:05:38Z) - Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。
標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文 参考訳（メタデータ） (2023-10-25T17:59:12Z) - Efficient Training of Energy-Based Models Using Jarzynski Equality [13.636994997309307]
エネルギーベースモデル(英: Energy-based model、EBM)は、統計物理学にインスパイアされた生成モデルである。
モデルパラメータに対する勾配の計算には、モデルの分布をサンプリングする必要がある。
ここでは、ジャジンスキーの等式に基づく非平衡熱力学の結果を用いて、この計算を効率的に行う方法を示す。
論文 参考訳（メタデータ） (2023-05-30T21:07:52Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z)
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。