利用等变连续流扩展量子场论的机器学习规模

我们提出一种连续归一化流，用于从物理学中量子场论的高维概率分布中采样。与迄今用于该任务的深度架构不同，我们的方案基于浅层设计并融入了问题的对称性。我们在 $\phi^4$ 理论上测试了模型，表明其在采样效率上系统性优于 realNVP 基线，且两者差异随晶格增大而增加。在考虑的最大晶格（大小为 $32\times 32$）上，相较于 realNVP 基线，我们将一项关键指标——有效样本量——从 1% 提升至 66%。