学习具有 QCD 相变的朗之万动力学

在本会议报告中，部署深度卷积神经网络（CNNs）来识别 QCD 相变的阶数并预测朗之万过程中的动力学参数。为克服随机过程中固有的随机性，我们将最终谱视为保留充分时空关联的图像型输入。作为一个实际例子，我们在临界点附近 QCD 物质的标量凝聚中展示了这一范式，其中手征相变的序参量可由 $\sigma$ 场的 $1+1$ 维朗之万方程刻画。训练良好的 CNNs 能从带涨落的 $\sigma$ 场构型中准确分类一级相变与交叉相变，其中噪声并未损害识别性能。在动力学重建中，我们证明从复杂场构型中提取阻尼系数 $\eta$ 是稳健的。