使用可重新训练的条件流模型对采样 U(1) 规范理论
摘要：在蒙特卡罗模拟格点规范理论时，随着理论接近连续极限，采样拓扑量变得具有挑战性。本文介绍了一种条件归一化流（C-NF）模型，用于采样二维U(1)规范理论，旨在减轻处理U(1)裸耦合较小值时的拓扑结构冻结的影响。为了训练条件流模型，我们利用混合蒙特卡罗（HMC）方法生成的样本，确保拓扑量的自相关性保持低。随后，我们使用训练好的模型对耦合参数进行插值，以在未进行训练的值上进行采样。我们对模型在该区域的质量进行了彻底检验，并生成了无相关性的样本，显著减少了拓扑结构冻结的发生。此外，我们提出了一种可重新训练的方法，利用模型自身的样本来增强条件模型的泛化能力。这种方法可以对远超初始训练区域的耦合值进行采样，扩展了模型的适用范围。
作者：Ankur Singha, Dipankar Chakrabarti and Vipul Arora
论文ID：2306.00581
分类：High Energy Physics - Lattice
分类简称：hep-lat
提交时间：2023-06-02