[論文レビュー] Gauge covariant neural network for quarks and gluons

Yuki Nagai, Akio Tomiya|arXiv (Cornell University)|Mar 22, 2021

High-Energy Particle Collisions Research参考文献 67被引用数 19

ひとこと要約

この論文では、格子QCDシミュレーションにおけるSU(Nc)ゲージ、並進、回転対称性を保持するゲージ共変ニューラルネットワーク（GCNN）を導入する。スメアリングを一般化されたデルタルールに基づく学習可能な対称フィルタとして定式化することで、GCNNは自己学習ハイブリッドモンテカルロ（SLHMC）におけるフェルミオン作用のエンドツーエンド学習を可能にし、2色クォークQCDにおける動的フェルミオン系において、標準的HMCと一貫した結果を得た。

ABSTRACT

We propose gauge-covariant neural networks along with a specialized training algorithm for lattice QCD, designed to handle realistic quarks and gluons in four-dimensional space-time. We show that the smearing procedure can be interpreted as an extended version of residual neural networks with fixed parameters. To demonstrate the applicability of our neural networks, we develop a self-learning hybrid Monte Carlo algorithm in the context of two-color QCD, yielding outcomes consistent with those from the conventional Hybrid Monte Carlo approach.

研究の動機と目的

• 格子QCDにおける基本的対称性—特にSU(Nc)ゲージ、並進、回転不変性—を尊重するニューラルネットワークの開発。
• 分子動力学にゲージ共変レイヤーを埋め込むことで、動的フェルミオンシミュレーションにおけるフェルミオン作用の機械学習を可能にすること。
• 非アーベルゲージ理論における自己学習ハイブリッドモンテカルロ（SLHMC）の実現可能性を示すこと。
• スメアリング手順とリーダーニューラルネットワークの関係を確立し、学習ルールをHMC力の導出と結びつけること。

提案手法

• ゲージ不変演算子（プラケット、ポリヤコフループ）の線形結合によるゲージリンクの写像を可能にするゲージ共変ニューラルネットワークレイヤーを提案。
• スメアドフェルミオンのHMC力計算から導かれた一般化されたデルタルールを用いて、学習可能なフィルタを定義し、ゲージ共変レイヤーを介したバックプロパゲーションを可能に。
• 各レイヤーがゲージ場に対して共変変換を適用する多層構造を採用し、ゲージ不変正規化による非線形活性化を実装。
• ネットワークが物理的観測量を再現できるように、格子作用（プラケット、ポリヤコフループ）に基づく損失関数を定義。
• 勾配を効率的に計算するため、スタープル演算子の自動微分生成を実装。
• 訓練済みネットワークを4⁴格子上のステアッターフェルミオンを用いたSLHMCシミュレーションにおいて、パrametrizedフェルミオン作用として適用。

実験結果

リサーチクエスチョン

• RQ1 格子QCDシミュレーションにおいて、SU(Nc)ゲージ、並進、回転対称性を保持するニューラルネットワークアーキテクチャを設計可能か？
• RQ2 微分可能でゲージ共変な損失関数を用いて、そのようなネットワークの学習をどのように定式化できるか？
• RQ3 得られたGCNNをSLHMCにおけるフェルミオン作用のパrametrizationに使用でき、標準的HMCと一貫した結果を再現できるか？
• RQ4 提案されたGCNNと、ResNetやニューラルODEといった既存のアーキテクチャとの関係は何か？
• RQ5 GCNNの学習された重みは、従来のスメアリングパrameterと比較して、大きさと符号の点でどのように異なるか？

主な発見

• 損失関数は$ m_h = 0.4, 0.5, 0.75 $ではO(1)に収束し、最適化が成功したことを示すが、$ m_h = 1.0 $では10,000ステップ以上を要して安定化する。
• プラケットおよびポリヤコフループ演算子の訓練済み重みは非ゼロであり、明確なパターンを示す：空間的ポリヤコフループ係数は負であり、時間的係数は正である。
• 訓練済みGCNNは、プラケットおよび空間的ポリヤコフループに対して負の係数を持つフェルミオン作用を生成し、非伝統的で最適化されたスメアリングパターンを学習していることを示している。
• $ m_h = 0.4 $を用いた訓練済みGCNNを用いたSLHMCシミュレーションは、標準的HMCと一貫した結果を得ており、手法の有効性が検証された。
• 訓練履歴から、重みが約1000–2000ステップで滑らかに収束し、一部のレイヤーでは収束を示す平坦な領域が観察された。
• GCNN用に導出されたデルタルールは、ニューラルODEの勾配フローと同じ関数的形を示し、スメアドフェルミオンのHMC力導出とも一致する。