策略引导蒙特卡洛：强化学习的马尔可夫链动力学
计算物理
2018-12-12 v2
摘要
我们引入策略引导蒙特卡洛（PGMC），一种利用强化学习改进马尔可夫链蒙特卡洛（MCMC）采样的计算框架。该方法普遍适用、无偏，并为高效 MCMC 采样器的自动发现开辟了新路径。在建立一般理论后，我们在 kagome 晶格上的伊辛模型上展示了 PGMC 的一些前景，包括该模型处于计算上具有挑战性的 kagome 自旋冰区时。在此，我们表明 PGMC 能够在无需所处理物理先验知识的情况下自动机器学习到高效的 MCMC 更新。
引用
@article{arxiv.1808.09095,
title = {Policy Guided Monte Carlo: Reinforcement Learning Markov Chain Dynamics},
author = {Troels Arnfred Bojesen},
journal= {arXiv preprint arXiv:1808.09095},
year = {2018}
}
备注
18 pages, 13 figures. Submitted to Physical Review E