Sampling the Schwinger Model with Gauge-Equivariant Diffusion

Sintesi Tecnica: Campionamento del Modello di Schwinger tramite Diffusione Gauge-Equivariante

Definizione del Problema
La Teoria di Campo su Reticolo (LFT) si affida a simulazioni numeriche per approssimare gli integrali di cammino per gli osservabili fisici. Tuttavia, man mano che le simulazioni si avvicinano al limite continuo, gli algoritmi standard di Markov Chain Monte Carlo (MCMC), come l'Hybrid Monte Carlo (HMC), soffrono di "critical slowing down" (rallentamento critico). Questo fenomeno è caratterizzato da tempi di autocorrelazione che crescono esponenzialmente e bassi tassi di accettazione. Inoltre, nelle teorie con una topologia non banale, le catene MCMC spesso rimangono "congelate" in specifici settori topologici, fallendo nell'esplorare l'intero spazio delle configurazioni. Sebbene i modelli di normalizing flow abbiano mostrato risultati promettenti nell'accelerare il campionamento per il modello di Schwinger su reticolo, l'applicazione di modelli generativi basati sulla diffusione alle teorie di gauge su reticolo contenenti fermioni rimane inesplorata.

Metodologia
Gli autori propongono un approccio basato sulla diffusione per campionare le configurazioni dei legami di gauge dalla distribuzione marginale del modello di Schwinger su reticolo con $N_f = 2$. La metodologia comprende i seguenti componenti:

• Formulazione del Modello: Gli autori utilizzano un modello generativo basato sul punteggio (score-based) formulato attraverso Equazioni Differenziali Stocastiche (SDE). Il processo in avanti corrompe progressivamente le configurazioni di gauge iniziali $\phi_0$ con del rumore nel tempo, mentre il processo inverso utilizza una rete neurale addestrata (rete di punteggio o score network) per interpolare dal rumore verso i dati.
• Equivarianza di Gauge: Per rispettare la simmetria di gauge $U(1)$ del modello, il processo di diffusione viene adattato al gruppo di Lie $U(1)$. La soluzione della SDE in avanti prevede un'operazione di "avvolgimento" (wrap) che ripiega la configurazione rumorosa sul cerchio unitario modulo $2\pi$. La score network è costruita per essere $U(1)$-equivariante utilizzando input invarianti rispetto al gauge, specificamente loop di Wilson rettangolari $2 \times 1$ e plaquette.
• Addestramento e Architettura: La score network impiega una parametrizzazione U-Net con embedding di Fourier gaussiani per la codifica temporale. Per affrontare la non-località introdotta dal determinante dei fermioni, l'architettura incorpora convoluzioni dilatate e strati di attenzione assiale per catturare correlazioni a lungo raggio.
• Dati di Addestramento: Il modello è addestrato su 8.192 configurazioni di legame di gauge generate tramite HMC su reticoli $8 \times 8$ e $16 \times 16$ con parametri $\beta = 2.0$ e $\kappa = 0.276$.
• Inferenza e Verosimiglianza: Nuovi campioni vengono generati integrando l'ODE inversa tramite un integratore di Eulero. Le verosimiglianze del modello sono stimate utilizzando lo stimatore di traccia di Skilling-Hutchinson, consentendo il calcolo di stime di osservabili non corrette tramite reweighting.

Contributi Chiave

• Prima Applicazione alla Teoria di Gauge su Reticolo con Fermioni: Questo lavoro presenta la prima applicazione del campionamento basato sulla diffusione a una teoria di gauge su reticolo che include i fermioni.
• Score Network Gauge-Equivariante: Gli autori dimostrano la costruzione e l'addestramento di una score network $U(1)$-equivariante capace di gestire la distribuzione marginale del modello di Schwinger dopo l'integrazione dei campi di fermione.
• Stima Non Corretta (Unbiased): Calcolando le verosimiglianze del modello, gli autori stabiliscono un metodo per ottenere stime non corrette per gli osservabili fisici direttamente dai campioni generati dalla diffusione.

Risultati
Lo studio valuta le prestazioni del modello di diffusione rispetto all'HMC su reticoli $8 \times 8$ e $16 \times 16$:

• Esplorazione Topologica: L'analisi qualitativa della carica topologica ($Q$) e del segno di Dirac ($\sigma$) rivela che il modello di diffusione mostra transizioni significativamente più frequenti tra settori topologici pari e dispari rispetto all'HMC. Ciò suggerisce una riduzione del congelamento topologico e un'esplorazione più efficiente dello spazio delle fasi.
• Accuratezza degli Osservabili: Le configurazioni generate dalla diffusione forniscono stime non corrette per osservabili chiave — la plaquette media $\langle P \rangle$, la suscettibilità topologica $\chi_Q$ e il condensato chirale $\langle \bar{\psi}\psi \rangle$ — che corrispondono strettamente ai valori di riferimento ottenuti dalle simulazioni HMC.
• Metriche di Efficienza: Sebbene il modello di diffusione mostri tassi di accettazione inferiori (20–35%) e una divergenza di Kullback-Leibler (KL) non normalizzata più alta rispetto ai baseline ideali dell'HMC, raggiunge dimensioni di campione efficaci (ESS) che indicano capacità di campionamento vitali. I tempi di autocorrelazione integrati per la carica topologica sono comparabili o leggermente superiori all'HMC, ma il miglioramento qualitativo nel tunneling topologico è indicato come un risultato significativo.

Significatività e Rivendicazioni
Gli autori posizionano questo lavoro come un "primo studio" e un passo "esplorativo" per i modelli generativi profondi nella teoria di gauge su reticolo. Essi affermano che i loro risultati dimostrano la fattibilità dell'uso di modelli di diffusione per superare il critical slowing down e il congelamento topologico nelle teorie fermioniche. Il documento conclude modestamente che, sebbene l'approccio attuale sia promettente, sono necessari ulteriori esperimenti con le architetture dei modelli per identificare una soluzione scalabile. Il lavoro futuro è identificato come necessario per adattare questi metodi a diversi schemi di gestione dei fermioni (come i pseudofermi) ed estendere l'approccio alle teorie di gauge $SU(N)$ su reticolo. Il documento non rivendica di aver risolto il problema della scalabilità per la QCD su larga scala, ma stabilisce una prova di concetto per il campionamento basato sulla diffusione in presenza di fermioni.