高效建模格点ϕ^4理论中的微不足道映射：使用归一化流对可扩展性进行初步研究
摘要：扩展的正则化流方法在临界点附近的采样效率下降较快。为了解决这个问题，使用机器学习技术构建近似的平庸映射，并通过重新加权的方法保证收敛到目标分布。在二维$ \phi^4 $理论的研究中，将平庸映射建模为一系列逐点仿射变换。本研究根据这个思路进行了改进，使用较小的神经网络设计了更有效的平庸映射。经过改进后，采样效率主要取决于模型的训练程度，并且对增加模型的灵活性的进一步调整不太敏感。然而，当系统的自由度增加时，训练成本迅速增加，需要进一步研究来理解和减轻这个问题。
作者：Luigi Del Debbio, Joe Marsh Rossney, Michael Wilson
论文ID：2105.12481
分类：High Energy Physics - Lattice
分类简称：hep-lat
提交时间：2021-11-24