以计算密集型目标概率分布训练归一化流

机器学习技术，特别是所谓的归一化流，在蒙特卡洛模拟中日益流行，因为它们能有效近似目标概率分布。在格点场论（LFT）中，目标分布由作用量的指数给出。基于“重参数化技巧”的常用损失函数梯度估计器需要计算作用量对场的导数。对于复杂、非局域的作用量（例如 QCD 中的费米子作用量），这可能带来显著的计算成本。在本文中，我们提出一种基于 REINFORCE 算法的归一化流估计器以避免此问题。我们将其应用于临界处的二维 Schwinger 模型（含 Wilson 费米子），表明其在挂钟时间上最多快十倍，且比重参数化技巧估计器最多少需 $30\%$ 的内存。它还具有更好的数值稳定性，允许单精度计算和半精度张量核的使用。我们深入分析了这些改进的起源。我们相信这些益处也将出现在 LFT 领域之外，凡目标概率分布计算密集型之处皆然。