⚛️ lattice

Combining complex Langevin dynamics with score-based and energy-based diffusion models

本文研究了基于分数（score-based）和基于能量（energy-based）的扩散模型在学习和表征由复朗之文动力学（complex Langevin dynamics）采样的概率分布中的应用，旨在解决理解具有符号问题（sign problems）理论中随机过程所面临的挑战。

原作者： Gert Aarts, Diaa E. Habibi, Lingxiao Wang, Kai Zhou

发布于 2026-07-14

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Gert Aarts, Diaa E. Habibi, Lingxiao Wang, Kai Zhou

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在试图解开一个谜题，但拼图碎片是由看不见的、不断变化的雾气构成的。在物理学世界中，特别是处理具有“复数”（可以理解为它们在圆圈中旋转而非仅仅停留在直线上的数字）的理论时，科学家们面临着一个臭名昭著的难题，叫做“符号问题”（sign problem）。这就像是在给幽灵称重；数学变得极其混乱，标准的计算机模拟会陷入困境或给出错误的答案。

多年来，物理学家一直使用一种被称为**复朗之万动力学（Complex Langevin (CL) dynamics）**的技巧。把这想象成一个盲目的徒步旅行者，在充满雾气的二维景观中徘徊。徒步者遵循一套规则（一种“漂移”），这些规则推动着他们移动，希望如果他们走得足够久，他们的路径就能揭示出隐藏山脉的真实形状。问题在于，我们实际上并不知道那座山的模样。我们可以看到徒步者的足迹，但我们无法看到地形本身。徒步者最终落脚的分布情况是一个谜，有时徒步者甚至会误入错误的谷底。

核心思想：教机器人绘制地图

这篇论文提出了一个全新的问题：如果我们能利用一种被称为**扩散模型（Diffusion Model）**的人工智能，通过观察徒步者的足迹来学习那座雾气缭型的山峦形状，会怎样？

在生成式人工智能的世界里，扩散模型就像是艺术家，他们通过从充满噪声和静态干扰的电视屏幕开始，慢慢将其清理干净，直到出现清晰图像的过程来学习绘画。他们通过研究成千上万个示例进行学习。在这里，作者将 Complex Langevin 徒步者生成的“足迹”（数据）喂给了这些 AI 模型。目标不仅是生成更多的足迹，而是要理解徒步者所行走的那个隐形景观。

两种方法：指南针 vs. 地形图

研究人员测试了两种不同的教学方式：

基于评分的模型（指南针）： 这种方法试图学习“评分”（score），这本质上是一个指向徒步者最可能出现的方向的指南针。它擅长告诉你该往哪走，但论文发现了一个陷阱：这个指南针并不总是可靠的。有时，指针指向的方向如果你试图追溯回起点，会显得毫无道理。这就像一个在磁暴中疯狂旋转的指南针；它告诉你风在往哪吹，但你无法用它来绘制一张完美的地形图。作者展示了这种“评分”具有一种旋转的、非保守性的成分——它不是一个简单的、平滑的可以攀爬的山丘。
基于能量的模型（地形图）： 这种方法试图直接学习“能量”。你可以把它想象成 AI 正在尝试绘制实际的三维山脉形状，其中高点是不太可能的，而低点则是可能的。因为这种模型构建了一个坚实的形状（能量景观），它自带一条规则：指南针（梯度）必须始终指向下方。这使得地图具有一致性。

研究发现（模拟结果）

团队在一个被称为**复值四次项模型（complex-valued quartic model）**的特定且著名的数学问题上进行了测试。这是一个只有一个自由度并被复数化为二维（ $x$ 和 $y$ ）的简单实验场。

徒步者的路径： 当他们运行 Complex Langevin 模拟时，徒步者被困在景观的一个狭窄条带内，从未越过某个特定的边界（具体为 $|y| < 0.3029$ ）。徒步者的路径显示出两个明显的“峰值”或偏好的位置。
AI 的成功： 两种 AI 模型都成功学习了这种行为。
- 基于评分的模型学习了风的方向，并能生成与原始路径非常相似的新徒步路径。然而，由于其“指南针”有些摇摆不定，它无法在不进行额外工作的情况下，轻松地绘制出一张完整的、平滑的整个地形图。
- 基于能量的模型成为了全场的明星。它成功学习了实际的山脉形状。作者能够利用 AI 学到的“能量”，通过指数运算瞬间将其转化为概率图，而无需进行任何更多的模拟。这意义重大，因为这是第一次在非平凡的情况下，捕捉到了由 Complex Langevin 过程采样的分布，而不仅仅是制作一个巨大的数据直方图。

数据与结论

团队并没有仅仅说“看起来不错”，他们进行了数学计算。他们将 AI 生成的平均值（矩/moments）和分布的形状（累积量/cumulants）与精确的数学答案以及原始徒步者数据进行了对比。

对于二阶矩 ( $\mu_2$ )，精确答案是 0.428142（实部）。Complex Langevin 模拟给出的结果是 0.4281(5)。基于能量的模型给出的结果是 0.4264(1)(37)。
对于四阶矩 ( $\mu_4$ )，精确答案是 0.423848。基于能量的模型给出的结果是 0.4192(2)(61)。

结果表明，AI 模型（尤其是基于能量的模型）正非常接近真相，其微小的偏差被作者归因于其样本数据的有限规模。

这意味着什么（以及并不意味着什么）

这篇论文表明，这些 AI 工具是观察那些困扰复杂物理问题的“雾状”分布的强大新透镜。特别是基于能量的模型，它提供了一种真正“看见”分布的方法，而不只是模拟它。

然而，作者谨慎地表示，他们并不声称已经解决了所有物理学中的符号问题。他们在这样一个简单的、可解的模型上进行了测试。他们明确指出，在基于评分的方法中，“评分”并不总是一个简单的、可积分的函数（它不是一个完美的指南针），这增加了复杂性。他们还指出，原始 Complex Langevin 方法的可靠性仍然取决于需要在事后进行的严格标准检查。

简而言之，这篇论文表明，通过将“徘徊的徒步者”（Complex Langevin）与“聪明的 AI 制图师”（扩散模型）相结合，我们终于可以开始理解那些我们徘徊了数十年的隐形景观的形状。这是一个充满前景的新工具，但完全掌握这些复杂理论的旅程仍在继续。

技术摘要：结合复杂朗之万动力学与基于评分及能量的扩散模型

问题陈述
本文旨在解决模拟具有复数玻尔兹曼权重（或作用量）理论所面临的挑战，这类理论存在符号问题和重叠问题，使得传统的重要性采样方法失效。量子色动力学（QCD）在非零重子密度下的情况便是其中的一个典型例子。复数朗之万（Complex Langevin, CL）动力学提供了一种潜在的解决方案，它通过将自由度扩展到复化流形并采用随机过程来进行处理。然而，CL 的一个关键局限在于，其在复化流形上实际采样的概率分布 $p(x, y)$ 无法预先得知。此外，控制该过程的福克-普朗克（Fokker-Planck）方程通常是无法求解的，这使得人们难以理解该分布的行为，特别是在无穷远处或漂移极点附近。这种缺乏表征能力的现状阻碍了对正确性准则的验证以及对该方法可靠性的评估。

方法论
作者提出利用生成式人工智能，特别是扩散模型，直接从数据中学习 CL 过程所采样的分布。该方法涉及：

数据生成： 使用针对特定模型的复数朗之万动力学生成训练数据。
扩散模型框架： 采用随机微分方程（SDEs）来建模前向（加噪）和后向（去噪）过程。目标是从 CL 生成的构型中学习评分函数（ $\nabla \log p$ ）或能量函数（ $-\log p$ ）。
两种方法：
- 基于评分的模型 (SBM)： 训练神经网络来逼近评分 $\nabla \log p(x, t)$ 。作者指出，学习到的评分通常是非保守的（即包含非零的旋度分量），这意味着不能仅通过积分评分来恢复分布。
- 基于能量的模型 (EBM)： 训练神经网络来逼近能量函数 $E_\theta(x) \approx -\log p(x)$ 。这种形式通过构造确保了评分的保守性（即 $s = -\nabla E$ ），从而允许通过指数化（ $p \sim e^{-E}$ ）直接重建概率分布，而无需进一步采样。
测试案例： 该框架应用于一个具有单个自由度（ $x \to z = x + iy$ ）的复数值四次模型。选择该模型是因为其配分函数是精确可解的，并且对于 CL 动力学何时成功或失败有明确的判定标准（基于参数 $3A^2 - B^2$ ）。作者选择了 CL 已知能正确运行的参数（ $A=B=\lambda=1$ ）。

主要贡献与结果

学习 CL 分布： 本文证明了扩散模型可以成功学习由 CL 过程采样的分布，而该分布在其他情况下是难以捉摸且缺乏解析形式的。
SBM 与 EBM 的比较：
- SBM： 学习到的评分场捕捉到了 CL 漂移的定性特征，包括两个特征峰值和边界限制 $|y| < y_-$ 。然而，该评分是非保守的，无法通过直接积分来获取分布。
- EBM： 基于能量的方法成功学习到了一个能量景观，其极小值点对应于分布的峰值。至关重要的是，由于其评分是保守的，作者可以显式地构建概率分布 $p(x, y)$ 。这是首次在没有通过进一步采样构建直方图的情况下，为非平凡 CL 情况获得此类参数化的研究。
定量验证： 作者将从学习到的模型中导出的矩（ $\mu_n$ $μ_{n}$ ）和累积量（ $\kappa_n$ $κ_{n}$ ）与精确结果及标准 CL 采样进行了对比。
- 能量模型（EBM）的结果与精确结果及 CL 基准表现出良好的一致性，尤其是在低阶矩方面。
- 评分模型（SBM）的表现也很好，但在高阶矩方面的偏差比 EBM 略大。
- 论文还包含了使用 EBM 所学能量进行的马尔可夫链蒙特卡洛（MCMC）计算，这作为进一步的一致性检查。

意义与主张
本文声称扩散模型为复数朗之万过程提供了“全新的视角”。通过直接从数据中学习分布，这些模型绕过了需要预先知道分布或无法求解相关福克-普朗克方程的问题。

其核心意义在于能够表征复化流形上的分布。具体而言，基于能量的模型方法允许为非平凡情况下的概率分布 $p(x, y)$ 进行显式构建。这提供了以下工具：

生成代表 CL 过程的额外构型。
深化对 CL 过程中采样的实数、半正定分布的理解，特别是关于其在边界和无穷远处的行为。

作者对于立即应用于高维场论（如全 QCD）保持谨慎，指出当前的研究重点在于使用简单且易于理解的模型来探讨概念性问题。这项工作确立了一个概念验证，即生成式 AI 可以与随机量化相结合，以分析并可能验证复数朗之万动力学。

技术摘要：结合复杂朗之万动力学与基于评分及能量的扩散模型

类似论文