基于深度强化学习的量子场论单圈图复积分解析延拓方法
高能物理 - 唯象学
2020-03-25 v1 机器学习
计算物理
摘要
本文提出一种基于深度强化学习的新技术，可对量子场论单圈图中常见的积分进行数值解析延拓。为提取二点函数的某些量，如谱密度、质量极点或多粒子阈值，有必要对所讨论的相关函数进行解析延拓。在欧氏空间单圈水平上，这导致需要将圈积分的积分轮廓在圈动量平方的复平面中变形，以避免积分平面中的非解析性。利用一个已知精确解的玩具模型，我们训练了一个强化学习智能体来执行所需的轮廓变形。我们的研究显示出巨大前景，可将智能体部署于迭代数值方法中，用于计算非微扰二点函数，例如夸克传播子 Dyson-Schwinger 方程，或更一般地，复域中的第二类 Fredholm 方程。
引用
@article{arxiv.1912.12322,
title = {Deep reinforcement learning for complex evaluation of one-loop diagrams in quantum field theory},
author = {Andreas Windisch and Thomas Gallien and Christopher Schwarzlmueller},
journal= {arXiv preprint arXiv:1912.12322},
year = {2020}
}