费米子符号涨落的深度学习

我们描述一种缓解费米子符号问题的方法，其中从玻尔兹曼因子中显式减去相位涨落。我们设计并比较了若干涨落拟设。在缺乏足够高质量拟设的情况下，可训练神经网络来参数化涨落。在 $1+1$ 维交错 Thirring 模型上演示，我们考察了随着使用更深神经网络以及结合研究充分的轮廓变形方法时该方法的性能。