Solving Functional Renormalization Group Equations with Neural Networks
यह शोध पत्र प्रदर्शित करता है कि भौतिकी-प्रेरित गहरे तंत्रिका नेटवर्क (physics-driven deep neural networks), जो अपने लॉस फंक्शन्स में कार्यात्मक पुनर्सामान्यीकरण समूह प्रवाह समीकरणों (functional renormalization group flow equations) को सीधे समाहित करते हैं और एक विश्लेषणात्मक-लार्ज- प्लस सीखा गया-सुधार अपघटन (analytical-large- plus learned-correction decomposition) उपयोग करते हैं, पूर्व-निर्धारित प्रशिक्षण डेटा की आवश्यकता के बिना गैर-परतत्वीय क्वांटम क्षेत्र सिद्धांत (nonperturbative quantum field theory) में पैमाना-निर्भर प्रभावी विभव (scale-dependent effective potentials) और फिक्स्ड-पॉइंट समस्याओं को हल करने के लिए एक सुदृढ़ और सटीक संख्यात्मक ढांचा प्रदान करते हैं।