从非物理中学习物理：在标度窗外由格点 Yang-Mills 理论求退禁闭温度
高能物理 - 格点
2021-01-20 v2 机器学习
高能物理 - 理论
摘要
我们研究应用于格点规范理论临界行为的机器学习技术，特别是 SU(2) 与 SU(3) 规范理论中的禁闭/退禁闭相变。我们发现，以非物理格点参数值下的规范场格点构型为输入训练的神经网络，构建出一个规范不变函数，并发现其与参数空间物理区域内有效的目标观测量之间的关联。特别地，若算法旨在预测作为退禁闭序参量的 Polyakov 环，它会构建沿时间方向闭合环路的规范群矩阵之迹。结果，在一个非物理格点耦合 值处训练的神经网络，能以良好精度预测整个 值区域中的序参量。我们由此证明，机器学习技术可用作解析延拓的数值类比，从耦合空间中易于触及但物理上无趣的区域延拓到有趣但可能不可触及的区域。
引用
@article{arxiv.2009.10971,
title = {Machine-learning physics from unphysics: Finding deconfinement temperature in lattice Yang-Mills theories from outside the scaling window},
author = {D. L. Boyda and M. N. Chernodub and N. V. Gerasimeniuk and V. A. Goy and S. D. Liubimov and A. V. Molochkov},
journal= {arXiv preprint arXiv:2009.10971},
year = {2021}
}
备注
9 pages, 14 figures; v2: discussions added