⚛️ lattice

Diffusion Models for Sampling Near Criticality in Lattice Field Theories

यह शोध पत्र प्रदर्शित करता है कि छोटे लैटिस वॉल्यूम पर प्रशिक्षित और हाइब्रिड मोंटे कार्लो विधियों के विरुद्ध सत्यापित जनरेटिव डिफ्यूजन मॉडल, विभिन्न चरणों में निकट-क्रिटिकल लैटिस $\phi^4$ सिद्धांतों को प्रभावी ढंग से सैंपल कर सकते हैं और बिना पुन: प्रशिक्षण के अनदेखे बड़े वॉल्यूम में सामान्यीकरण कर सकते हैं, जो लैटिस फील्ड थ्योरीज़ में बड़े-वॉल्यूम सैंपलिंग के लिए एक स्केलेबल समाधान प्रदान करता है।

मूल लेखक: Yang-yang Tan, Gert Aarts, Diaa E. Habibi, Biagio Lucini, Lingxiao Wang

प्रकाशित 2026-07-10

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yang-yang Tan, Gert Aarts, Diaa E. Habibi, Biagio Lucini, Lingxiao Wang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक आदर्श ब्रेड का लोफ (loaf) बनाने की कोशिश कर रहे हैं, लेकिन आटा इतना चिपचिपा और जटिल है कि जब भी आप उसे मिलाने की कोशिश करते हैं, वह कटोरे में ही फंस जाता है। भौतिकी (physics) की दुनिया में, इस "चिपचिपे आटे" को एक गणितीय मॉडल कहा जाता है जिसे लैटिस $\phi^4$ थ्योरी (lattice $\phi^4$ theory) कहते हैं, जिसका उपयोग वैज्ञानिक यह समझने के लिए करते हैं कि कण कैसे व्यवहार करते हैं और ब्रह्मांड चरण संक्रमणों (phase transitions) (जैसे पानी का बर्फ में बदलना) के दौरान कैसे बदलता है।

दशकों से, इस आटे को मिलाने का मानक तरीका एक विधि रही है जिसे हाइब्रिड मोंटे कार्लो (HMC) कहा जाता है। HMC को एक बहुत ही सावधानी से, धीरे-धीरे काम करने वाले बेकर के रूप में सोचें जो आटे को एक बार में एक छोटा चम्मच करके मिलाता है। समस्या यह है कि जैसे-जैसे आटा एक महत्वपूर्ण क्षण के करीब पहुँचता है (जैसे कि वह सटीक तापमान जहाँ बर्फ पिघलती है), वह अविश्वसनीय रूप से चिपचिपा हो जाता है। बेकर को आटे को थोड़ा सा हिलाने के लिए लाखों बार चलाना पड़ता है। इसे "क्रिटिकल स्लोइंग डाउन" (critical slowing down) कहा जाता है, जो सिमुलेशन को अविश्वसनीय रूप से धीमा और महंगा बना देता है।

नया विचार: एक "डिनोइजिंग" (Denoising) शेफ

इस शोध पत्र में, लेखकों (यांग-यांग टैन, गर्ट आर्ट्स और उनकी टीम) ने कुछ अलग करने की कोशिश की। धीरे-धीरे मिलाने के बजाय, उन्होंने एक डिफ्यूजन मॉडल (Diffusion Model) का उपयोग किया।

एक डिफ्यूजन मॉडल को एक ऐसे शेफ की तरह समझें जो जानता है कि किसी धुंधली फोटो को कैसे ठीक किया जाए।

फॉरवर्ड प्रोसेस (Forward Process): कल्पना करें कि आप अपने आटे की एक स्पष्ट, एकदम सही फोटो ले रहे हैं और धीरे-धीरे उसमें 'स्टैटिक नॉइज़' (static noise) जोड़ रहे हैं जब तक कि वह केवल एक धुंधला, ग्रे रंग का ढेर न बन जाए।
रिवर्स प्रोसेस (Reverse Process): AI यह सीखने की कोशिश करता है कि उस धुंधले ढेर को देखकर यह कैसे अनुमान लगाया जाए कि, "यदि मैं यहाँ से थोड़ा शोर हटा दूँ, और वहाँ से थोड़ा शोर हटा दूँ, तो मूल फोटो कैसी दिखती थी?"
परिणाम: शुद्ध रैंडम नॉइज़ (धुंधले ढेर) से शुरू करके और AI को चरण-दर-चरण "डिनोइज़" (शोर हटाने) देकर, मॉडल तुरंत एक नया, एकदम सही ब्रेड का लोफ तैयार कर देता है, बिना उस चिपचिपे कटोरे को लाखों बार हिलाए।

बड़ा परीक्षण: क्या AI वास्तव में रेसिपी जानता है?

लेखकों ने केवल इस बात पर भरोसा नहीं किया कि AI काम करेगा; उन्होंने इसे एक कठोर स्वाद परीक्षण (taste test) से गुजारा। उन्होंने AI के "लोव्स" की तुलना स्वर्ण मानक (gold standard) यानी उस धीमे, सावधान HMC बेकर से की।

उन्होंने क्या पाया:

अच्छी खबर: 2D और 3D दोनों संस्करणों में, AI ने आटे की मुख्य विशेषताओं को सफलतापूर्वक पुन: निर्मित किया। इसने "मैग्नेटाइजेशन" (चुंबकत्व - कि आटा कितनी मजबूती से एक दिशा में रहना चाहता है) और "एक्शन डेंसिटी" (आटे की ऊर्जा) को काफी हद तक सही पकड़ा।
कमी: AI पूरी तरह से सटीक नहीं था। 3D "ब्रोकन फेज" (जहाँ आटे के दो अलग-अलग स्वाद होते हैं) में, AI के लोव्स बीच में थोड़े अधिक "फ्लफी" (fluffy) या फूले हुए थे। यह ससेप्टिबिलिटी (susceptibility) (एक माप कि आटा कितनी आसानी से अपना आकार बदलता है) में एक छोटी त्रुटि के रूप में दिखाई दिया। AI ने एक विशिष्ट 3D टेस्ट में इसे लगभग 59% तक बढ़ा दिया, जिसका अर्थ है कि वास्तविक चीज़ की तुलना में आटे के शिखर (peaks) थोड़े अधिक चौड़े थे।
एक्शन डेंसिटी शिफ्ट: 3D में, AI ने आटे को लगातार थोड़ा अधिक ऊर्जावान बनाया, जिससे परिस्थितियों के आधार पर ऊर्जा घनत्व (energy density) में 19% से 6% तक की वृद्धि देखी गई।

जादुई ट्रिक: छोटे बैचों से सीखकर बड़े लोफ बनाना

इस शोध पत्र का सबसे रोमांचक हिस्सा वह है जिसे वे क्रॉस-एल जनरलाइजेशन (Cross-L Generalization) कहते हैं।

आमतौर पर, यदि आप एक शेफ को 4-इंच का छोटा केक बनाना सिखाते हैं, तो वह अचानक 64-इंच का विशाल केक बिना दोबारा ट्रेनिंग के नहीं बना सकता। लेकिन लेखकों ने अपने AI को विभिन्न आकारों (लैटिस साइज 4, 8, 16, और 32) के मिश्रण पर प्रशिक्षित किया और फिर उससे एक विशाल 64 लैटिस बनाने को कहा जिसे उसने पहले कभी नहीं देखा था।

परिणाम:

AI ने केवल अनुमान नहीं लगाया; इसने वास्तव में काम किया। छोटे आकारों पर प्रशिक्षित AI ने सफलतापूर्वक विशाल L=64 लैटिस तैयार किया।
वास्तव में, कुछ मामलों में, "मल्टी-साइज़" (कई आकारों) पर प्रशिक्षित AI ने उस AI से बेहतर काम किया जो विशेष रूप से केवल विशाल आकार पर प्रशिक्षित किया गया था।
क्यों? लेखक सुझाव देते हैं कि कई अलग-अलग आकारों को देखकर, AI ने "आटे के नियमों" (स्थानीय भौतिकी) को बेहतर ढंग से सीखा। इसने सीखा कि नियम केवल इसलिए नहीं बदलते क्योंकि बर्तन बड़ा हो गया है। इसने छोटे बैचों में "जीरो-मोड" (आटे का समग्र आकार) के उतार-चढ़ाव को देखा, जिसने इसे बिना भ्रमित हुए विशाल बैच को संभालने में मदद की।

उन्होंने क्या खारिज किया

यह शोध पत्र इस बारे में बहुत सावधान है कि यह तकनीक क्या नहीं है।

यह कोई जादू की छड़ी नहीं है: AI समस्या को पूरी तरह से हल नहीं करता है। इसमें अभी भी त्रुटियां हैं, विशेष रूप से "जीरो-मोड" (सिस्टम के बड़े, धीमे हिस्से) और 3D में एक्शन डेंसिटी में।
यह केवल सबसे बड़े प्रशिक्षण आकार के बारे में नहीं है: उन्होंने परीक्षण किया कि क्या AI ने केवल अपने सबसे बड़े आकार (32) से सीखा और बाकी का अनुमान लगाया। उन्होंने पाया कि कई आकारों (4, 8, 16, 32) पर प्रशिक्षण लेना महत्वपूर्ण था। केवल आकार 32 पर प्रशिक्षित मॉडल उतना अच्छा प्रदर्शन नहीं कर सका जितना कि सभी आकारों पर प्रशिक्षित मॉडल।
यह कोई अंतिम उत्पाद नहीं है: लेखक स्पष्ट रूप से कहते हैं कि हालांकि AI स्वतंत्र नमूने (samples) उत्पन्न करता है (कोई ऑटोकोरिलेशन नहीं), इसमें अभी भी एक "अवशिष्ट पूर्वाग्रह" (residual bias) है। यह अभी तक धीमे बेकर का पूर्ण प्रतिस्थापन नहीं है; यह एक बहुत तेज़, बहुत अच्छा सन्निकटन (approximation) है जिसे सटीक होने के लिए कभी-कभी थोड़ी "ट्यूनिंग" (जैसे कि मेट्रोपोलिस सुधार) की आवश्यकता होती है।

वे कितने आश्वस्त हैं?

लेखक अपने सिमुलेशन को लेकर आश्वस्त हैं। उन्होंने हजारों परीक्षण किए, AI के आउटपुट की तुलना स्वर्ण-मानक HMC डेटा से की, और त्रुटियों को सटीक रूप से मापा।

उन्होंने सिमुलेशन के माध्यम से सिद्ध किया कि AI सबसे छोटे से लेकर सबसे बड़े दूरियों तक "प्रोपगेटर" (कैसे कण लैटिस में एक-दूसरे से संवाद करते हैं) को पुन: उत्पन्न कर सकता है।
उन्होंने मापा कि AI की "स्वीकृति दर" (acceptance rate - यह परीक्षण कि वह भौतिकी को कितनी अच्छी तरह समझता है) उच्च (अच्छी स्थितियों में लगभग 80-90%) है, जिसका अर्थ है कि AI के अनुमान भौतिक रूप से सही हैं।
उन्होंने अवलोकन किया कि "प्रभावी नमूना आकार" (effective sample size - यह एक माप है कि AI कितने उपयोगी नमूने बनाता है) बहुत अधिक है, जिसका अर्थ है कि AI केवल बेकार डेटा नहीं बना रहा है; यह उच्च गुणवत्ता वाला डेटा बना रहा है।

निचोड़ (Bottom Line)

यह शोध पत्र दिखाता है कि डिफ्यूजन मॉडल जटिल भौतिकी का अनुकरण करने के लिए एक व्यवहार्य और शक्तिशाली उपकरण हैं। वे छोटे, सस्ते सिमुलेशन से ब्रह्मांड के नियमों को सीख सकते हैं और उन्हें बिना पुन: प्रशिक्षण के विशाल, महंगे सिमुलेशन पर लागू कर सकते हैं। हालांकि वे अभी भी पूर्ण नहीं हैं (वे 3D में आटे के "फूला हुआपन" को थोड़ा गलत समझते हैं), वे उन समस्याओं को हल करने के लिए एक आशाजनक शॉर्टकट प्रदान करते हैं जिन्हें दशकों से सुलझाना बहुत धीमा रहा है। लेखक सुझाव देते हैं कि यह अंततः पूर्ण क्वांटम क्रोमोडायनामिक्स (QCD) जैसी अधिक जटिल चीजों का अनुकरण करने में मदद कर सकता है, इसके लिए छोटे लैटिस पर प्रशिक्षण देकर और फिर स्केल अप करके।

तकनीकी सारांश: लैट्टिस फील्ड थ्योरीज़ में क्रिटिकैलिटी के पास सैंपलिंग के लिए डिफ्यूजन मॉडल्स

समस्या विवरण
लैट्टिस फील्ड थ्योरी (LFT) को बोल्ट्ज़मैन वितरण $p(\phi) \propto e^{-S[\phi]}$ से फील्ड कॉन्फ़िगरेशन को सैंपल करने की आवश्यकता होती है ताकि नॉन-परटर्बेटिव एक्सपेक्टेशन वैल्यूज की गणना की जा सके। मानक मार्कोव चेन मोंटे कार्लो (MCMC) विधियाँ, जैसे कि हाइब्रिड मोंटे कार्लो (HMC) और मेट्रोपोलिस अपडेट्स, निरंतर फेज ट्रांज़िशन के पास "क्रिटिकल स्लोइंग डाउन" (critical slowing down) से ग्रस्त होती हैं। जैसे-जैसे सहसंबंध लंबाई (correlation length) $\xi$ विचलन करती है, इंटीग्रेटेड ऑटोकोरिलेशन टाइम $\tau_{\text{int}} \sim \xi^z$ (जहाँ $z > 1$ ) के रूप में स्केल करता है, जिससे बड़े वॉल्यूम का सिमुलेशन कम्प्यूटेशनल रूप से अत्यधिक महंगा हो जाता है। जबकि क्लस्टर एल्गोरिदम और फूरियर एक्सेलेरेशन विशिष्ट प्रणालियों (जैसे $Z_2$ मॉडल्स) के लिए इसे कम करते हैं, विभिन्न चरणों और लैट्टिस आकारों के लिए एक सामान्य-उद्देश्यीय समाधान अभी भी अप्राप्य है। लेखक यह जांच रहे हैं कि क्या जनरेटिव डिफ्यूजन मॉडल्स कुशल, स्वतंत्र सैंपलर के रूप में कार्य कर सकते हैं जो मार्कोव-चेन ऑटोकोरिलेशन को बायपास कर सकें, विशेष रूप से चुनौतीपूर्ण नियर-क्रिटिकल (near-critical) शासन में।

कार्यप्रणाली
यह अध्ययन दो और तीन आयामों में हाइपरक्यूबिक लैट्टिस पर रियल स्केलर $\phi^4$ थ्योरी पर केंद्रित है, जो आइज़िंग यूनिवर्सल क्लास में एक सेकंड-ऑर्डर फेज ट्रांज़िशन प्रदर्शित करता है।

मॉडल आर्किटेक्चर: लेखक वेरिएंस-एक्सप्लोडिंग (VE) स्कोर-बेस्ड डिफ्यूजन मॉडल्स का उपयोग करते हैं। एक न्यूरल नेटवर्क $s_\theta(\phi, t)$ को एक फॉरवर्ड नॉइज़िंग प्रोसेस के साथ डेटा वितरण $\nabla_\phi \log p_t(\phi)$ के स्कोर फंक्शन का अनुमान लगाने के लिए प्रशिक्षित किया जाता है, जो एक स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) द्वारा परिभाषित है। फॉरवर्ड प्रोसेस डेटा वितरण में गॉसियन नॉइज़ जोड़ता है जब तक कि वह एक व्यापक, लगभग गॉसियन वितरण बन जाता है।
प्रशिक्षण उद्देश्य: नेटवर्क को डैनोइजिंग स्कोर मैचिंग (DSM) के माध्यम से प्रशिक्षित किया जाता है ताकि सीखे गए स्कोर और कंडिशनल नॉइज़्ड डिस्ट्रीब्यूशन के एनालिटिकल स्कोर के बीच के अंतर को कम किया जा सके। आर्किटेक्चर एक पूर्ण रूप से कन्वोल्यूशनल U-Net है जिसमें सर्कुलर पैडिंग का उपयोग किया गया है ताकि पीरियोडिक बाउंड्री कंडीशंस लागू की जा सकें, जिससे वेट्स को विभिन्न लैट्टिस वॉल्यूम ( $V = L^d$ ) के लिए साझा किया जा सके।
सैंपलिंग: प्रशिक्षण के बाद, रिवर्स-टाइम SDE (या प्रोबेबिलिटी-फ्लो ODE) से शुरू होकर गॉसियन नॉइज़ से सैंपल्स जेनरेट किए जाते हैं। लेखक रिवर्स SDE के लिए ऑयलर-मरुयामा (Euler–Maruyama) डिसक्रेटाइजेशन का उपयोग करते हैं।
वैलिडेशन और डायग्नोस्टिक्स:
- रेफरेंस: जेनरेटेड एन्सेम्बल्स को FA-HMC–Wolff क्लस्टर अपडेट के साथ फूरियर-एक्सेलेरेटेड HMC द्वारा उत्पादित संदर्भ एन्सेम्बल्स के विरुद्ध मान्य किया जाता है।
- ऑब्जर्वेबल्स: स्केलर ऑब्जर्वेबल्स (मैग्नेटाइजेशन, ससेप्टिबिलिटी, बाइंडर क्युमुलांट), मैग्नेटाइजेशन और एक्शन डेंसिटी के जॉइंट डिस्ट्रीब्यूशन, और मोमेंटम-स्पेस प्रोपेगेटर $G(|k|)$ का तुलनात्मक अध्ययन किया गया है।
- लोकल डायग्नोस्टिक्स: दो नवीन डायग्नोस्टिक्स पेश किए गए हैं: (i) क्लीन कॉन्फ़िगरेशन्स पर सीखे गए स्कोर और नेगेटिव एक्शन ग्रेडिएंट $-\nabla_\phi S$ के बीच सीधा तुलना, और (ii) सीखे गए स्कोर को प्रपोजल ड्रिफ्ट के रूप में उपयोग करते हुए मेटापोलिस-एडजस्टेड लैंग्विन एल्गोरिदम (MALA) एक्सेप्टेंस रेट।
- एफिशिएंसी मेट्रिक: एक HMC-संदर्भित प्रभावी सैंपल साइज (ESS) को ऑब्जर्वेबल्स के मीन-स्क्वेर्ड एरर (MSE) के आधार पर परिभाषित किया गया है, जो बायस और वेरिएंस को संयोजित करके स्वतंत्र टारगेट सैंपल्स के सापेक्ष जेनरेटेड एन्सेम्बल की गुणवत्ता को मापता है।

मुख्य परिणाम

इन-डिस्ट्रीब्यूशन प्रदर्शन:
- 2D ( $L=128$ ): डिफ्यूजन मॉडल सिमेट्रिक, नियर-क्रिटिकल और ब्रोकन फेजेस के साथ स्केलर ऑब्जर्वेबल्स और मोमेंटम-स्पेस प्रोपेगेटर को उच्च सटीकता के साथ पुनरुत्पादित करता है। अवशिष्ट बायस (residual biases) न्यूनतम हैं, जो मुख्य रूप से जीरो-मोड ससेप्टिबिलिटी (जहाँ मॉडल इंट्रा-सेक्टर विड्थ को थोड़ा अधिक आंकता है) में केंद्रित हैं।
- 3D ( $L=64$ ): मॉडल प्रोपेगेटर और अधिकांश स्केलर ऑब्जर्वेबल्स को पुनरुत्पादित करता है। हालांकि, एक्शन डेंसिटी (लगभग $6-19\%$ अधिक) और ब्रोकन तथा नियर-क्रिटिकल फेजेस में जीरो-मोड ससेप्टिबिलिटी में एक व्यवस्थित बायस देखा गया है। यह बायस सिंगल-साइट मोमेंट्स में कुछ प्रतिशत की त्रुटि से उत्पन्न होता है जो $\lambda=0.9$ पर एक्शन में होने वाले कैंसिलेशन द्वारा प्रवर्धित हो जाता है।
- कन्वर्जेंस: सीखा गया स्कोर प्रशिक्षण के शुरुआती चरण में एक्शन ग्रेडिएंट की दिशा को सटीक रूप से कैप्चर करता है, जबकि परिमाण (magnitude) धीरे-धीरे कन्वर्ज होता है। 2D में $85\%$ से अधिक और 3D में $\sim 90\%$ के आसपास MALA एक्सेप्टेंस रेट, यह दर्शाता है कि सीखा गया ड्रिफ्ट सटीक लोकल अपडेट्स के लिए एक उच्च-गुणवत्ता वाला प्रपोजल है।
क्रॉस-वॉल्यूम जनरलाइजेशन:
- 2D: एक मॉडल जिसे $L \in \{8, 16, 32, 64\}$ पर प्रशिक्षित किया गया है, सफलतापूर्वक अनदेखे $L=128$ लैट्टिस को सैंपल करता है। सिमेट्रिक और ब्रोकन फेजेस में, यह सीधे $L=128$ पर प्रशिक्षित मॉडल के बराबर या उससे थोड़ा बेहतर प्रदर्शन करता है। मुख्य गिरावट जीरो-मोड ससेप्टिबिलिटी के संबंध में नियर-क्रिटिकल पॉइंट पर देखी गई है।
- 3D: एक मॉडल जिसे $L \in \{4, 8, 16, 32\}$ पर प्रशिक्षित किया गया है, उसे अनदेखे $L=64$ लैट्टिस पर लागू किया गया है। यह फेज डायग्राम में अल्ट्रावॉयलेट से इन्फ्रारेड मोमेंटा तक प्रोपेगेटर को पुनरुत्पादित करता है। महत्वपूर्ण रूप से, नियर-क्रिटिकल पॉइंट पर, क्रॉस-वॉल्यूम मॉडल कई जीरो-मोड और सिंगल-साइट ऑब्जर्वेबल्स के लिए इन-डिस्ट्रीब्यूशन $L=64$ मॉडल से बेहतर प्रदर्शन करता है।
- मैकेनिज्म: लेखक इस सफलता को विभिन्न स्केल्स पर विभिन्न वॉल्यूम के इन्फ्रारेड फ्लक्चुएशन (जीरो-मोड डिस्ट्रीब्यूशन सहित) के प्रति नेटवर्क को एक्सपोज करने के रूप में व्याख्या करते हैं। यह सिंगल-साइज एक्सट्रपलेशन बेसलाइन की तुलना में लॉन्ग-वेवलेंथ पार्ट ऑफ द स्कोर को अधिक प्रभावी ढंग से नियंत्रित करता है।

महत्ता और दावे
यह पेपर स्थापित करता है कि जनरेटिव डिफ्यूजन मॉडल्स लैट्टिस फील्ड थ्योरीज के पास क्रिटिकैलिटी के पास प्रभावी सैंपलर के रूप में कार्य कर सकते हैं, जो क्रिटिकल स्लोइंग डाउन को बायपास करने का एक संभावित मार्ग प्रदान करते हैं। इसके प्राथमिक योगदान हैं:

डिफ्यूजन मॉडल्स का वैलिडेशन: अध्ययन यह प्रदर्शित करता है कि रिवर्स-SDE सैंपलर जटिल फील्ड-थ्योरेटिक ऑब्जर्वेबल्स, जिनमें मोमेंटम-स्पेस प्रोपेगेटर और जॉइंट डिस्ट्रीब्यूशन शामिल हैं, को पुनरुत्पादित कर सकते हैं, जिसमें अवशिष्ट त्रुटियां मुख्य रूप से जीरो-मोड और विशिष्ट 3D एक्शन डेंसिटी घटकों तक सीमित हैं।
क्रॉस-वॉल्यूम जनरलाइजेशन: यह कार्य मात्रात्मक प्रमाण प्रदान करता है कि छोटे लैट्टिस पर प्रशिक्षित एक पूर्ण रूप से कन्वोल्यूशनल स्कोर नेटवर्क बड़े, अनदेखे वॉल्यूम में सामान्यीकरण कर सकता है। यह सुझाव देता है कि बड़े संदर्भ लैट्टिस पर महंगा प्रशिक्षण अनिवार्य नहीं है; इसके बजाय, छोटे-लैट्टिस कॉन्फ़िगरेशन से सीखे गए स्कोर बड़े वॉल्यूम में ट्रांसफर किए जा सकते हैं।
डायग्नोस्टिक फ्रेमवर्क: स्कोर ग्रेडिएंट एलाइनमेंट, MALA एक्सेप्टेंस और HMC-संदर्भित ESS जैसे लोकल डायग्नोस्टिक्स का परिचय एक कठोर टूलकिट प्रदान करता है, जिससे प्रत्येक मेट्रिक के लिए संदर्भ एन्सेम्बल की आवश्यकता के बिना सीखे गए सैंपलर की गुणवत्ता का आकलन किया जा सकता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह विधि अभी भी सभी ऑब्जर्वेबल्स (विशेष रूप से विशिष्ट शासन में 3D एक्शन डेंसिटी और जीरो-मोड ससेप्टिबिलिटी) के लिए पूर्ण समाधान नहीं है, इसकी क्रॉस-वॉल्यूम जनरलाइजेशन क्षमता बड़े-वॉल्यूम लैट्टिस थ्योरीज के लिए स्केलेबल सैंपलिंग की दिशा में एक महत्वपूर्ण कदम है, जिसमें भविष्य में फुल QCD के अनुप्रयोग भी शामिल हो सकते हैं।