混合马尔可夫链采样的神经场变换：架构设计与扩展
高能物理 - 格点
2025-11-05 v1
摘要
autocorrelation 在接近连续极限时因 Hybrid Monte Carlo (HMC) 在配置空间中移动效率低下而迅速增长，这仍是晶格规范理论模拟的挑战。将神经场变换与 HMC 结合 (NTHMC) 可重塑能量景观并加速采样，但神经网络架构的选择尚未系统地研究。我们在二维 U(1) 规范理论上评估 NTHMC，分析其在更大体积和更小晶格间距上的扩展性和迁移性。受控比较让我们隔离出架构对采样效率的贡献。良好的设计可减少 autocorrelation 并提升拓扑隧穿，同时保持有利的扩展性。更广泛地说，我们的研究突显了 emerging 的设计指南，例如更宽的感受野和通道依赖的激活函数，为向四维 SU(3) 规范理论系统性扩展铺平了道路。
引用
@article{arxiv.2511.02018,
title = {Neural Field Transformations for Hybrid Monte Carlo: Architectural Design and Scaling},
author = {Jinchen He and Xiao-Yong Jin and James C. Osborn and Yong Zhao},
journal= {arXiv preprint arXiv:2511.02018},
year = {2025}
}
备注
Accepted to the NeurIPS Machine Learning and the Physical Sciences workshop 2025