一种用于多味QCD相变分类的机器学习方法
高能物理 - 格点
2022-11-30 v1 高能物理 - 唯象学
摘要
归一化流是生成式机器学习模型，可仅使用给定分布的样本高效近似概率分布。该架构被用于插值由HISQ作用下五重简并夸克味的QCD模拟获得的手性凝聚。由此得到手性凝聚作为晶格体积、夸克质量和规范耦合函数的概率分布模型。利用该模型，可对一级相变和渡越区域进行分类，并通过临界质量标记这些区域之间的边界。预计该模型可扩展至具有可变味数的QCD相变研究。
引用
@article{arxiv.2211.16232,
title = {A machine learning approach to the classification of phase transitions in many flavor QCD},
author = {Frithjof Karsch and Anirban Lahiri and Marius Neumann and Christian Schmidt},
journal= {arXiv preprint arXiv:2211.16232},
year = {2022}
}
备注
Contribution to the 39th International Symposium on Lattice Field Theory (LATTICE2022), 8 - 13 August 2022, Bonn, Germany