SESaMo：用于归一化流的对称性强制随机调制

深度生成模型最近在从物理学到化学学的各个领域引起了广泛关注，在这些领域中，从非归一化类玻尔兹曼分布中采样是一项基本挑战。特别是，自回归模型和归一化流因其能够产生闭式概率密度的吸引人能力而变得突出。此外，众所周知，将先验知识（如对称性）纳入深度神经网络可以显著提高训练性能。在此背景下，最近的进展集中在开发对称等变生成模型，并取得了显著成果。在这些基础上，本文引入了对称性强制随机调制（SESaMo）。与等变归一化流类似，SESaMo 通过一种称为随机调制的新颖技术，将归纳偏置（例如对称性）纳入归一化流中。这种方法增强了生成模型的灵活性，使其能够有效地学习各种精确和破缺的对称性。我们的数值实验在不同场景下对 SESaMo 进行了基准测试，包括 8 高斯混合模型以及物理相关场论，如 $\phi^4$ 理论和 Hubbard 模型。