[論文レビュー] Applications of Machine Learning to Lattice Quantum Field Theory

Denis Boyda, Salvatore Calì+9 more|arXiv (Cornell University)|Feb 10, 2022

Scientific Computing and Data Management被引用数 13

ひとこと要約

Snowmass 2022のホワイトペーパーは、非摂動的QFT計算における計算ボトル neck を克服するため、機械学習（ML）を格子量子場理論（LQFT）に統合することを提案している。このペーパーは、符号問題やウィック縮約、非デゲネレートクォーク質量といったLQFT独自の要件に適合した、対称性に配慮した、証明可能に正確なMLアルゴリズムの開発戦略を提示している。同時に、画期的な進展を実現するための専用リソースと、分野横断的トレーニングの必要性を提言している。

ABSTRACT

There is great potential to apply machine learning in the area of numerical lattice quantum field theory, but full exploitation of that potential will require new strategies. In this white paper for the Snowmass community planning process, we discuss the unique requirements of machine learning for lattice quantum field theory research and outline what is needed to enable exploration and deployment of this approach in the future.

研究の動機と目的

• フラavor物理学、ヒッグス物理学、ミュオン g-2 の分野における高精度計算のための、格子QCD（LQCD）における計算需要の増大に対処する。
• LQFTにおける長年の課題、すなわち符号問題、SN比の悪化、高価な非連結クォーク図の計算を克服する。
• ダークマターおよびニュートリノ実験に不可欠な核子および原子核行列要素のスケーラブルで高精度なシミュレーションを可能にする。
• 格子場理論における根本的対称性を尊重し、アルゴリズムの証明可能性を保証するML手法の開発。
• 持続可能なイノベーションを実現するための分野横断的連携と人材育成を促進する。

提案手法

• ゲージ、ローレンツ、チャイラル対称性を明示的に組み込んだMLアルゴリズムの設計により、格子場理論における一般化性能と精度を向上させる。
• ディープラーニングおよび生成モデルを応用し、QCDにおける経路積分および行列要素の計算を高速化する。
• 確率的手法とMLを統合し、非連結クォーク図の統計的不確実性を低減する。
• テンソルネットワークと量子コンピューティングにインspiredされた手法をMLと併用し、高複雑性のウィック縮約に対処する。
• エクサスケールHPCおよびコデザイン拠点に最適化されたソフトウェアスタックを開発し、大規模なMLモデルの展開を可能にする。
• アクティブラーニングおよびトランスファーラーニングを活用し、格子シミュレーションにおけるデータ要件を削減し、収束を加速する。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、どのように格子量子場理論における根本的対称性を保持するように設計できるか？
• RQ2 どのようなMLアーキテクチャが、大規模LQCDシミュレーションにおける符号問題とSN比の劣化を効率的に処理できるか？
• RQ3 MLモデルは、非連結クォーク図の高価な確率的推定器を置き換えたり、高速化したりできるか？
• RQ4 MLベースの手法は、どのように格子場理論において証明可能に正確かつ体系的に改善可能なものにできるか？
• RQ5 LQFTにおけるML応用を最新の問題にスケーリングするためには、どのような新しい計算基盤と人的基盤が必要か？

主な発見

• MLは、ミュオン g-2 のためのハドロン的真空偏移およびライト・バイ・ライト散乱の計算において、長年の計算ボトル neck を解消する可能性を有する。
• 対称性に配慮したMLモデルは、理論的一致性を損なわずに、サンプル効率と一般化性能を顕著に向上させることができる。
• 非連結図の現在の確率的手法は依然として非常に高価でノイズが多く、ML駆動の代替手法の必要性が高まっている。
• MLと格子場理論の統合には、パフォーマンスと再現可能性の基準を満たすための、新たなソフトウェア工学の実践とHPCリソース配分モデルの整備が不可欠である。
• 若手研究者がLQFTにおけるML分野のイノベーションを牽引しているが、その定着には恒久的な分野横断的ポジションとカリキュラム統合の必要がある。
• LQFTで開発された解決策—たとえば、対称性に配慮した、証明可能に正確なML—は、量子化学、凝縮系物理学、産業用AIなど、より広範な分野への応用が可能である。