基于人工神经网络构建虚时热力学场论

本研究引入了量子场论中一种新方法，通过人工神经网络（ANNs）来估计作用（action）。该估计通过在虚时形式的热力学场论中，依据玻尔兹曼因子 $e^{-S}$ 在不同温度下的系统配置进行学习来实现。我们聚焦于 0+1 维量子场论中的异形/反异形配置，以演示该方法的可行性。连续混合自回归网络（CANs）使我们能够构建精确的有效作用，并具备可计算的概率密度估计能力。我们的数值结果表明，这一方法不仅有助于在指定温度下构建有效作用，还能巧妙地估计在中间温度下的作用，这种能力对于详细探索相图尤为重要。