归一化流的梯度估计器

近来，一种称为神经马尔可夫链蒙特卡洛（NMCMC）的蒙特卡洛模拟机器学习方法正获得关注。其最流行形式使用神经网络构造归一化流，然后训练以近似所需目标分布。本文中，我们提出用于随机梯度下降算法的新梯度估计器（及相应的 \texttt{PyTorch} 实现），并表明其在 $\phi^4$ 模型上带来更好的训练结果。对于该模型，我们的估计器在约标准方法所需时间的一半内达到相同精度，并最终提供对自由能的更好估计。我们将此效应归因于新估计器更低的方差。与标准学习算法相反，我们的方法无需估计作用量相对于场的梯度，因而具有对具有更复杂作用量的模型进一步加速训练的潜力。