論文の概要: Sampling the Schwinger Model with Gauge-Equivariant Diffusion

• arxiv url: http://arxiv.org/abs/2606.27481v1
• Date: Thu, 25 Jun 2026 19:00:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.293328
• Title: Sampling the Schwinger Model with Gauge-Equivariant Diffusion
• Title（参考訳）: ゲージ同変拡散によるシュウィンガーモデルのサンプリング
• Authors: Octavio Vega, Aida X. El-Khadra,
• Abstract要約: 拡散に基づく$N_f = 2$格子シュウィンガーモデルの高速化サンプリングに関する最初の研究を示す。 我々はU(1)-同変スコアベース生成モデルを訓練し、境界シュウィンガーモデルからゲージリンク構成をサンプリングする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a first study of a diffusion-based approach to accelerated sampling of the $N_f = 2$ lattice Schwinger model. Our work is inspired by recent and growing successes in developing such generative models for ensemble generation in LFT to overcome the well-known critical slowing down problem. We train a U(1)-equivariant score-based generative model to sample gauge link configurations from the marginal Schwinger model. By computing model likelihoods, we obtain unbiased estimates for observables that closely match those produced by MCMC simulations. We also demonstrate improvement over HMC as measured qualitatively by a reduction in topological freezing near critical parameters.
• Abstract（参考訳）: 拡散に基づく$N_f = 2$格子シュウィンガーモデルの高速化サンプリングに関する最初の研究を示す。 我々の研究は、よく知られた臨界減速問題を克服するために、LFTにおけるアンサンブル生成のためのこのような生成モデルの開発の成功にインスパイアされている。 我々はU(1)-同変スコアベース生成モデルを訓練し、境界シュウィンガーモデルからゲージリンク構成をサンプリングする。 モデル確率の計算により,MCMCシミュレーションによる観測値と密に一致した観測値の偏りのない推定値を得る。 また, 臨界パラメータ近傍の位相凍結を減少させることにより, HMCの質的改善を実証した。

関連論文リスト

• Proximal-Based Generative Modeling for Bayesian Inverse Problems [38.33757282877801]
  本稿では,新しい近位モデル(PGM)フレームワークを提案する。 我々の枠組みは拡散過程におけるガウス的畳み込みと非滑らかな最適化におけるモロー・ヨシダ正規化の理論的等価性に基づいて構築されている。 実験により,PGMは修復品質とサンプリング時間において最先端の手法を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-13T09:55:51Z)
• Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
  制約を克服するオイラー法に対する全変分に基づく解析法を開発した。 その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。 全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
  論文  参考訳（メタデータ） (2026-02-26T00:47:51Z)
• Synergizing Transport-Based Generative Models and Latent Geometry for Stochastic Closure Modeling [1.665466637453776]
  低次元潜在空間における流れのマッチングは閉包モデルの高速サンプリングに適していることを示す。 我々は、潜時空間の歪みを制御し、サンプリングされた閉包項の物理的忠実度を確保する。
  論文  参考訳（メタデータ） (2026-02-19T05:24:00Z)
• On the Shape of Latent Variables in a Denoising VAE-MoG: A Posterior Sampling-Based Study [51.56484100374058]
  ガウス前駆体 (VAE-MoG) を用いた変分オートエンコーダの潜時空間を探索する。 モデルが基盤構造をどれだけうまく捉えているかを評価するために、ハミルトンモンテカルロ (HMC) を用いて、クリーンな入力で条件付けられた後続サンプルを描画し、ノイズの多いデータからエンコーダの出力と比較する。 モデルは正確に信号を再構成するが、統計的比較により、潜在空間における明らかなミスマッチが明らかになる。
  論文  参考訳（メタデータ） (2025-09-29T18:33:09Z)
• Kolmogorov-Arnold Energy Models: Fast and Interpretable Generative Modeling [0.0]
  構造的および帰納的バイアスを利用するために,Kolmogorov-Arnold Energy Model (KAEM)を導入する。 KAEMは一般的な生成モデリングトレードオフのバランスをとり、高速な推論、解釈可能性、安定したトレーニングを提供する。
  論文  参考訳（メタデータ） (2025-06-17T04:07:32Z)
• Generative Modeling with Bayesian Sample Inference [50.07758840675341]
  我々は,反復的なガウス後部推論から新しい生成モデルを導出した。 我々のモデルは、未知のサンプルを反復的に絞り込むために、一連の予測と後続の更新ステップを使用する。 実験では,BFNと近縁な変分拡散モデルの両方に対して,ImageNet32のサンプル品質が向上することが実証された。
  論文  参考訳（メタデータ） (2025-02-11T14:27:10Z)
• Protein Discovery with Discrete Walk-Jump Sampling [41.01079393600248]
  我々はスムーズなエネルギー関数を学び、ランゲヴィン・マルコフ連鎖モンテカルロの滑らかなデータ多様体からサンプリングし、一段階のデノイングで真のデータ多様体に投影する。 我々の離散ウォーク・ジャンプサンプリング形式は、エネルギーベースモデルの対照的な分散訓練とスコアベースモデルのサンプル品質の改善を組み合わせたものである。 抗体タンパク質生成モデルにおける本手法のロバスト性を評価し, タンパク質生成モデルに分布整合性スコアを導入する。
  論文  参考訳（メタデータ） (2023-06-08T17:03:46Z)
• Flow-based sampling in the lattice Schwinger model at criticality [54.48885403692739]
  フローベースアルゴリズムは、格子場理論への応用のためのフィールド分布の効率的なサンプリングを提供することができる。 フェルミオン質量の臨界値におけるシュウィンガーモデルにおけるロバストな流れに基づくサンプリングの数値的な実演を行う。
  論文  参考訳（メタデータ） (2022-02-23T19:00:00Z)
• Riemannian Score-Based Generative Modeling [56.20669989459281]
  経験的性能を示すスコアベース生成モデル(SGM)を紹介する。 現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。 これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
  論文  参考訳（メタデータ） (2022-02-06T11:57:39Z)

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。