用于格点Gross-Neveu模型临界变慢问题的生成式学习
高能物理 - 格点
2022-12-26 v2
摘要
在格点场论中，蒙特卡洛模拟算法在临界区域受到临界变慢的严重影响，自关联时间迅速增加。因此，在临界区域附近生成格点构型的代价急剧上升。本文中，我们使用条件生成对抗网络（C-GAN）来采样格点构型。我们在由混合蒙特卡洛（HMC）在远离临界区域的样本（即HMC模拟代价不高的区域）组成的数据集上训练C-GAN。随后我们使用训练好的C-GAN模型在临界区域生成独立样本。从而总体计算代价得以降低。我们在1+1维Gross-Neveu模型上测试了我们的方法。我们发现所提C-GAN模型得到的可观测量分布与HMC模拟所得一致，同时规避了临界变慢问题。
引用
@article{arxiv.2111.00574,
title = {Generative learning for the problem of critical slowing down in lattice Gross Neveu model},
author = {Ankur Singha and Dipankar Chakrabarti and Vipul Arora},
journal= {arXiv preprint arXiv:2111.00574},
year = {2022}
}
备注
minor corrections, version published in the journal