[논문 리뷰] Machine Learning and Variational Algorithms for Lattice Field Theory

Gurtej Kanwar|arXiv (Cornell University)|2021. 06. 03.

Stochastic processes and financial applications인용 수 4

한 줄 요약

이 논문은 라티스 양자장론에서의 비효율적 냉각 현상과 신호 대 잡음 문제를 해결하기 위한 두 가지 새로운 기법을 소개한다: 기계학습을 활용해 효율적인 제안을 생성하는 플로우 기반 생성 MCMC 샘플러와, 상관 함수 측정의 분산을 최소화하기 위해 경로 적분 경로를 변형하는 observifold 방법이다. 이 두 방법 모두 스칼라 φ⁴ 이론과 U(1)/SU(N) 게이지 이론에서 샘플링 효율성 향상과 분산 감소를 크게 보여준다.

ABSTRACT

In lattice quantum field theory studies, parameters defining the lattice theory must be tuned toward criticality to access continuum physics. Commonly used Markov chain Monte Carlo (MCMC) methods suffer from critical slowing down in this limit, restricting the precision of continuum extrapolations. Further difficulties arise when measuring correlation functions of operators widely separated in spacetime: for most correlation functions, an exponentially severe signal-to-noise problem is encountered as the operators are taken to be widely separated. This dissertation details two new techniques to address these issues. First, we define a novel MCMC algorithm based on generative flow-based models. Such models utilize machine learning methods to describe efficient approximate samplers for distributions of interest. Independently drawn flow-based samples are then used as proposals in an asymptotically exact Metropolis-Hastings Markov chain. We address incorporating symmetries of interest, including translational and gauge symmetries. We secondly introduce an approach to "deform" Monte Carlo estimators based on contour deformations applied to the domain of the path integral. The deformed estimators associated with an observable give equivalent unbiased measurements of that observable, but generically have different variances. We define families of deformed manifolds for lattice gauge theories and introduce methods to efficiently optimize the choice of manifold (the "observifold"), minimizing the deformed observable variance. Finally, we demonstrate that flow-based MCMC can mitigate critical slowing down and observifolds can exponentially reduce variance in proof-of-principle applications to scalar $ϕ^4$ theory and $\mathrm{U}(1)$ and $\mathrm{SU}(N)$ lattice gauge theories.

연구 동기 및 목표

• 비효율적 냉각 현상이 발생하는 임계점 근처에서 표준 MCMC 방법이 비효율적이게 되는 라티스 양자장론 시뮬레이션 문제를 해결하기 위해.
• 멀리 떨어진 연산자 간의 상관 함수에서 지수적으로 악화되는 신호 대 잡음 비율 문제를 극복하기 위해.
• 메트로폴리스-하스팅스 알고리즘에서 제안의 효율성을 높이는 기계학습 기반 샘플러를 개발하기 위해.
• 관측 가능한 분산을 최소화하는 경로 적분 경로 변형을 위한 변분적 접근법을 제안하기 위해.
• 이러한 방법들이 스칼라 φ⁴ 이론과 U(1)/SU(N) 라티스 게이지 이론에 대한 원리적 응용에서 효과적임을 입증하기 위해.

제안 방법

• MCMC에 적합한 제안 분포를 학습하기 위해 플로우 기반 생성 모델을 제안하여 효율적이고 약간의 상관성이 없는 샘플을 생성한다.
• 무작위 보행 행동을 줄이면서 점근적으로 정확한 결과를 보장하기 위해 플로우 기반 샘플러를 메트로폴리스-하스팅스 알고리즘에 통합한다.
• 이동 대칭성과 게이지 불변성과 같은 대칭성을 플로우 기반 모델 아키텍처에 통합한다.
• 관측 가능한 분산을 낮추는 데 효과적인, 경로 적분 영역 내에서 변형된 다양체인 'observifold'의 개념을 도입한다.
• 변형 매개변수를 기울기 기반 최적화 방법을 사용해 조정하여 변형된 추정치의 분산을 최소화한다.
• 성능 평가를 위해 이 방법들을 스칼라 φ⁴ 이론과 U(1)/SU(N) 라티스 게이지 이론에 적용한다.

실험 결과

연구 질문

• RQ1 플로우 기반 생성 모델을 사용해 라티스 양자장론의 MCMC에 대해 효율적이고 대칭성을 유지하는 제안 분포를 구성할 수 있는가?
• RQ2 경로 적분 영역의 경로 변형이 상관 함수 측정의 분산을 크게 감소시키는가?
• RQ3 이러한 방법들이 상전이 근처에서 비효율적 냉각 현상을 어느 정도 완화할 수 있는가?
• RQ4 제안된 방법들은 게이지 대칭성과 전역 대칭성을 가진 실제 라티스 양자장론에서 어떻게 작동하는가?
• RQ5 경로 적분 경로의 변분 최적화를 통해 관측 가능한 분산을 체계적으로 최소화할 수 있는가?

주요 결과

• 플로우 기반 MCMC 방법은 라티스 양자장론 시뮬레이션에서 비효율적 냉각 현상을 성공적으로 감소시켜 임계점 근처에서 샘플링 효율성을 향상시켰다.
• observifold 접근법은 멀리 떨어진 연산자 간의 상관 함수에서 지수적 분산 감소를 달성하여 신호 대 잡음 문제를 극복했다.
• 두 방법 모두 스칼라 φ⁴ 이론과 U(1) 및 SU(N) 라티스 게이지 이론에서 효과적이며, 광범위한 적용 가능성을 보였다.
• 플로우 기반 샘플러는 세부 균형을 유지하면서도 학습된 제안 분포의 이점을 활용했다.
• observifold 변형 최적화 과정을 통해 추정치의 분산이 상당히 감소했으며, 수치 실험을 통해 정량적 향상이 입증되었다.
• 플로우 모델에 대칭성을 통합함으로써 물리적 일관성이 유지되면서도 샘플링 성능이 향상되었다.