基于深度神经网络的二维 phi^4 场论重正化群流计算
无序系统与神经网络
2026-04-29 v1 统计力学
摘要
我们引入 RGFlow，一种基于深度神经网络的实空间重正化群 (RG) 框架，专为连续标量场理论设计。利用 flow-based 神经网络的生成能力，RGFlow 可从数据中自主学习实空间 RG 变换，而无需对底层模型进行先验知识。与传统方法不同，RGFlow 是双射的 (信息保存)，并基于最小互信息原理进行优化。我们对该方法进行了两个示例的演示。第一个是一维高斯模型，其中展示了 RGFlow 学习经典削减规则。第二个是二维 phi^4 理论，网络成功识别了类似 Wilson-Fisher 临界点，并提供了关联长度临界指数的估计。
引用
@article{arxiv.2510.06508,
title = {Application of deep neural networks for computing the renormalization group flow of the two-dimensional phi^4 field theory},
author = {Yueqi Zhao and Michael M. Fogler and Yi-Zhuang You},
journal= {arXiv preprint arXiv:2510.06508},
year = {2026}
}
备注
13 pages, 5 figures