Generative diffusion models for lattice field theory
本文提出利用生成扩散模型,特别是基于复杂朗之万数据训练的能量模型,来学习格点场论中具有符号问题的复杂作用量下未知的真实分布,从而使其能够作为标准马尔可夫链蒙特卡罗模拟中的权重。
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
在粒子物理学的微观世界中,科学家们试图通过模拟充斥整个空间的场(fields)的行为来理解宇宙是如何构建的。为了实现这一目标,他们将空间和时间分解成一个网格,就像一个巨大的国际象棋棋盘,并计算每个方格上粒子的相互作用方式。这种被称为晶格场论(lattice field theory)的方法非常强大,但在数学涉及复数时却面临着一个顽固的障碍。在许多有趣的物理情境中,特定构型发生的概率不是一个简单的正实数,而是一个复数。这产生了一个“符号问题”(sign problem),使得使用标准的计算机技术来采样最重要的构型变得不可能,就像试图在一张地形不断在脚下移动的地图上导航一样。几十年来,研究人员一直致力于解决这个问题,通常依赖一种称为复朗之万动力学(complex Langevin dynamics)的技术,该技术将模拟推入一个复数数学空间以寻找解,但留下的结果分布却难以直接解释或使用。
现在,一支研究团队发现了一种利用一种被称为生成式扩散模型(generative diffusion model)的人工智能技术来在这片艰难地形中导航的新方法。该方法并非尝试直接解决复杂的数学问题,而是通过观察另一种现有的模拟如何在复空间中运动,来训练计算机程序学习正确分布的形状。研究人员从由复朗之万动力学生成的数据开始,这些数据产生了复化空间中的点云。随后,他们使用了一种最初设计用于去除图像噪声的扩散模型,来学习这些点的底层模式。该模型学会了逆转添加噪声的过程,有效地对随机数据进行“去噪”,直到其与研究人员正在研究的复分布相匹配。至关重要的是,团队发现这种学习过程可以被框架化,从而直接连接到物理学中一种已知的已知方法——随机量化(stochastic quantization),这为该方法的有效性提供了坚实的理论基础。
最显著的突破发生在研究人员从一种标准的学习模型转向一种基于能量的模型时。虽然标准模型可以生成新的构型,但在提供清晰、数学化的概率分布描述方面却表现挣扎。然而,基于能量的模型学会了将分布表示为一个平滑的、实值的曲面。这使得研究人员能够从复数数据中提取出一个清晰的正概率图。有了这张图,他们就可以将其作为标准计算机模拟中的权重,而由于原始的复数权重无法直接使用,这一步骤在以前是不可能实现的。在一个涉及具有复作用量(complex action)的简单模型的测试案例中,新方法成功地重现了分布中预期的双峰结构,与原始复数模拟的结果相吻合,但提供了一个更清晰且更易于使用的表示形式。
这项工作并不声称已经解决了物理学中所有的符号问题,但它为理解和利用复杂模拟产生的数据提供了一个强大的新工具。通过将一种方法产生的杂乱、复杂的输出转化为一个可以用于标准计算的清晰、实值分布,研究人员为研究此前难以处理的理论开辟了一条新路径。这项研究表明,机器学习不仅仅能加速计算,它还能从根本上改变物理学家解释和使用其最具挑战性的模拟数据的方式。该领域的下一步工作将是把这种技术应用于变量随模拟规模增长而增加的更复杂的理论中,以测试这条新路径是否能带来对自然界基本作用力的更深层洞察。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。