[논문 리뷰] Machine learning spectral functions in lattice QCD

S. Y. Chen, Heng-Tong Ding외 3명|arXiv (Cornell University)|2021. 10. 26.

High-Energy Particle Collisions Research참고 문헌 54인용 수 12

한 줄 요약

이 논문은 라티스 QCD에서 유클리드 상관 함수로부터 스펙트럼 함수를 복원하기 위해 샤논-제인스 엔트로피 사전을 갖춘 새로운 변분 오토에인코더인 SVAE를 소개한다. 이 방법은 제한된 데이터 포인트에서 날카러운 피크를 더 잘 복원하는 데에 최대 엔트로피 방법(MEM)을 능가하며, $N_{\tau} > 48$ 가 $1.5\,T_c$에서 $\eta_c$ 공명을 해상하기 위해 필수적임을 보여준다. 이 접근법은 사전 정보를 베이지안 사전을 통해 손실 함수에 직접 통합함으로써 실제 스펙트럼 함수 정보를 활용하여 복원 정확도를 향상시킨다.

ABSTRACT

We study the inverse problem of reconstructing spectral functions from Euclidean correlation functions via machine learning. We propose a novel neural network, SVAE, which is based on the variational autoencoder (VAE) and can be naturally applied to the inverse problem. The prominent feature of the SVAE is that a Shannon-Jaynes entropy term having the ground truth values of spectral functions as prior information is included in the loss function to be minimized. We train the network with general spectral functions produced from a Gaussian mixture model. As a test, we use correlators generated from four different types of physically motivated spectral functions made of one resonance peak, a continuum term and perturbative spectral function obtained using non-relativistic QCD. From the mock data test we find that the SVAE in most cases is comparable to the maximum entropy method (MEM) in the quality of reconstructing spectral functions and even outperforms the MEM in the case where the spectral function has sharp peaks with insufficient number of data points in the correlator. By applying to temporal correlation functions of charmonium in the pseudoscalar channel obtained in the quenched lattice QCD at 0.75 $T_c$ on $128^3 imes96$ lattices and $1.5$ $T_c$ on $128^3 imes48$ lattices, we find that the resonance peak of $η_c$ extracted from both the SVAE and MEM has a substantial dependence on the number of points in the temporal direction ($N_τ$) adopted in the lattice simulation and $N_τ$ larger than 48 is needed to resolve the fate of $η_c$ at 1.5 $T_c$.

연구 동기 및 목표

• 라티스 QCD의 유클리드 상관 함수로부터 스펙트럼 함수를 복원하는 불안정한 역문제를 해결하기 위해.
• 기존 방법들, 예를 들어 최대 엔트로피 방법(MEM)에서의 기본 모델에 대한 의존도를 줄이기 위해.
• 물리적 사전 지식을 손실 함수에 통합하여 더 높은 복원 정밀도를 달성하는 기계학습 프레임워크를 개발하기 위해.
• 합성 데이터와 실제 라티스 QCD 상관 함수를 모두 사용하여 채론늄 상태에 대해 이 방법을 시험하기 위해.
• 1.5\,T_c에서 억제된 라티스 QCD 시뮬레이션에서 $\eta_c$ 공명을 해상하기 위해 필요한 최소 $N_{\tau}$ 를 결정하기 위해.

제안 방법

• 실제 스펙트럼 함수 정보를 사전 정보로 사용하여 샤논-제인스 엔트로피 항을 포함한 맞춤형 손실 함수를 갖춘 변분 오토에인코더(VAE)인 SVAE를 제안한다.
• 다양한 물리적 형태를 시뮬레이션하기 위해 가우시안 믹스처 모델에서 유도된 합성 스펙트럼 함수를 사용하여 네트워크를 훈련시킨다.
• 알려진 스펙트럼 함수로부터 적분 커널 $K(\omega,\tau,T)$ 를 사용해 계산된 가짜 유클리드 상관 함수를 사용하여 라티스 데이터를 시뮬레이션한다.
• 실제 라티스 데이터로부터 유도된 공분산 행렬을 갖는 다변량 정규분포를 사용하여 테스트 상관 함수를 생성함으로써 노이즈 특성을 유지한다.
• 우도와 엔트로피를 균형 잡는 손실 함수를 구현하며, 사전 정보는 엔트로피 항에 실제 스펙트럼 함수를 통해 통합된다.
• 감쇠가 $\tau = 1/2T$ 에 대해 대칭적인 샘플링 기법을 사용하며, $N_{\tau}$ 는 복원 민감도 평가의 핵심 매개변수로 사용된다.

실험 결과

연구 질문

• RQ1 SVAE와 같은 딥 생성 모델이 날카로운 특징을 갖는 스펙트럼 함수를 복원하는 데서 기존 방법들, 예를 들어 MEM보다 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 손실 함수에 실제 스펙트럼 함수 정보를 사전으로 통합함으로써 복원 정확도에 어떤 영향을 미치는가?
• RQ3 1.5\,T_c에서 억제된 라티스 QCD 시뮬레이션에서 $\eta_c$ 공명을 해상하기 위해 필요한 최소 시간 격자 포인트 수($N_{\tau}$)는 얼마인가?
• RQ4 상관 함수의 데이터 포인트 수가 제한되었을 때 SVAE의 성능은 MEM과 비교해 어떻게 되는가?
• RQ5 상관 함수 노이즈의 시간적 상관 구조를 고려함으로써 스펙트럼 함수 복원의 강건성이 향상되는가?

주요 결과

• SVAE는 일반적인 스펙트럼 함수에 대해 MEM과 유사한 복원 품질을 달성하며, 데이터 포인트 수가 제한되었을 때 날카로운 공명 피크를 더 잘 복원한다.
• 1.5\,T_c에서 $\eta_c$ 상태에 대해 SVAE와 MEM 모두 $N_{\tau} > 48$ 가 공명 피크를 해상하기 위해 필요하다고 나타내며, $N_{\tau} = 48$ 에서는 해상도가 부족함을 시사한다.
• 노이즈 샘플링 전략이 달라도 성능은 안정적이다: 정규분포 또는 로그정규분포에서 테스트 상관 함수를 샘플링하더라도 결과는 일관되게 유지된다.
• 실제 라티스 데이터의 공분산 구조를 가짜 테스트 데이터에 통합함으로써 복원 정밀도가 향상되었으며, 현실적인 노이즈 모델링의 중요성을 확인한다.
• SVAE 프레임워크는 샤논-제인스 엔트로피 항을 통해 물리적 사전 지식을 손실 함수에 직접 통합함으로써 사전 의존도를 효과적으로 감소시킨다.
• 홀더 부등식을 사용한 이론적 분석은 변분 하한의 안정성을 확인하여, 이 방법의 수렴성과 강건성을 뒷받침한다.