使用机器学习和逆 renormalization 群生成递增晶格大小的配置

我们回顾了与逆 renormalization 群相关的机器学习算法的最新进展，逆 renormalization 群最初通过实现兼容的蒙特卡洛模拟而建立为一种生成数值方法。逆 renormalization 群方法使得能够在不受临界减缓效应的限制下，迭代生成递增晶格大小的配置。我们讨论了使用卷积神经网络构建逆 renormalization 群变换的做法，并呈现了在统计力学、晶格场论和无序系统中的应用。我们特别指出了三维 Edwards-Anderson 自旋玻璃的情况，其中逆 renormalization 群可用于构建尚未被专用超级计算机访问的晶格体积的配置。