用于格点 QCD 观测量估计的机器学习方法
高能物理 - 格点
2019-07-24 v3
摘要
本文提出一种利用机器学习(ML)降低格点量子色动力学(QCD)观测量计算成本的新技术。该 ML 在称为标记集的背景规范场位形子集上训练,以根据全样本上计算的、相关但计算量较小的观测量 预测观测量 。通过使用同样属于标记集的第二子集,我们估计训练后的 ML 算法所得结果的偏差。针对两种不同的格点 QCD 计算,使用提升决策树回归 ML 算法,展示了约 的计算成本降低:(1) 由两点关联函数预测产生同位旋矢量电荷的核子三点关联函数;(2) 再次由无 CP 破坏下计算的两点关联函数,预测当 QCD 中加入微小电荷-宇称(CP)破坏相互作用——夸克色电偶极矩相互作用时中子质量所获得的相位。
引用
@article{arxiv.1807.05971,
title = {Machine Learning Estimators for Lattice QCD Observables},
author = {Boram Yoon and Tanmoy Bhattacharya and Rajan Gupta},
journal= {arXiv preprint arXiv:1807.05971},
year = {2019}
}
备注
8 pages, 5 figures