格点 QCD 流采样中缩放与可扩展性的若干方面
高能物理 - 格点
2022-11-15 v1 统计力学
机器学习
摘要
近期将机器学习归一化流应用于格点场论采样的研究表明，此类方法或能缓解临界变慢与拓扑冻结。然而，这些演示均处于玩具模型尺度，尚待确定其能否应用于最先进的格点量子色动力学计算。评估格点场论大规模采样算法的可行性传统上借助简单的代价缩放律完成，但正如我们在本工作中讨论的，其对基于流的方法效用有限。我们得出结论：基于流的采样方法更应被视为具有不同缩放特性的广泛算法族，且可扩展性必须通过实验评估。
引用
@article{arxiv.2211.07541,
title = {Aspects of scaling and scalability for flow-based sampling of lattice QCD},
author = {Ryan Abbott and Michael S. Albergo and Aleksandar Botev and Denis Boyda and Kyle Cranmer and Daniel C. Hackett and Alexander G. D. G. Matthews and Sébastien Racanière and Ali Razavi and Danilo J. Rezende and Fernando Romero-López and Phiala E. Shanahan and Julian M. Urban},
journal= {arXiv preprint arXiv:2211.07541},
year = {2022}
}
备注
22 pages, 8 figures