超越 Lefschetz thimbles 的深度学习
高能物理 - 格点
2017-11-15 v1
摘要
处理具有符号问题的场论的广义 thimble 方法需要反复求解计算昂贵的全纯流方程。我们提出一种机器学习技术以绕过此问题。核心思想是通过流方程获取少量场构型来训练前馈神经网络。训练好的网络定义了一个新的积分流形，该流形减少了符号问题并可被快速采样。我们展示了在较大格点上具有 Wilson 费米子的 维 Thirring 模型的结果。除了速度提升外，我们所用的积分流形参数化避免了困扰大流计算的蒙特卡洛链“陷落”问题，这是先前尝试的一个重大缺陷。
引用
@article{arxiv.1709.01971,
title = {Deep Learning Beyond Lefschetz Thimbles},
author = {Andrei Alexandru and Paulo Bedaque and Henry Lamm and Scott Lawrence},
journal= {arXiv preprint arXiv:1709.01971},
year = {2017}
}
备注
12 pages, 4 figures