[论文解读] 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 13

一句话总结

本篇2022年Snowmass白皮书提出将机器学习（ML）整合至格点量子场论（LQFT），以克服非微扰量子场论计算中的计算瓶颈。该白皮书概述了针对LQFT独特需求（如处理符号问题、Wick收缩以及非简并夸克质量）而量身定制的对称性感知、可证明精确的ML算法开发策略，同时倡导投入专用资源并推动跨学科培训，以实现高能物理与核物理领域变革性进展。

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.

研究动机与目标

• 应对格点量子色动力学（LQCD）在味物理、希格斯物理和μ子g-2领域中日益增长的高精度计算需求。
• 克服LQFT中长期存在的挑战，如符号问题、信噪比问题以及昂贵的非连通夸克图计算。
• 实现对暗物质与中微子实验至关重要的核子和核矩阵元的可扩展、高精度模拟。
• 开发尊重基本对称性并在格点场论中确保算法可证明性的ML方法。
• 促进跨学科合作与人才队伍建设，以持续推动机器学习在基础物理中的创新。

提出的方法

• 设计显式编码规范、洛伦兹与手征对称性的ML算法，以提升格点场论中模型的泛化能力与精度。
• 适配深度学习与生成模型，以加速QCD中路径积分与矩阵元的计算。
• 将随机方法与ML结合，以降低非连通夸克图中统计不确定性的水平。
• 结合张量网络与受量子计算启发的方法，协同ML以应对高复杂度的Wick收缩问题。
• 开发面向百亿亿次HPC与协同设计中心的软件堆栈，实现ML模型的大规模部署。
• 利用主动学习与迁移学习，降低数据需求并加速格点模拟中的收敛速度。

实验结果

研究问题

• RQ1 如何设计机器学习方法，使其在格点量子场论中保持基本对称性？
• RQ2 何种ML架构能够高效处理大规模LQCD模拟中的符号问题与信噪比退化？
• RQ3 ML模型能否被训练以替代或加速非连通夸克图的昂贵随机估计器？
• RQ4 如何使基于ML的方法在格点场论中实现可证明精确性与系统性改进？
• RQ5 为将ML应用在LQFT中扩展至前沿问题，需要哪些新的计算与人力资源基础设施？

主要发现

• ML有潜力解决LQCD中长期存在的计算瓶颈，特别是在计算强子真空极化与光子-光子散射对μ子g-2的贡献方面。
• 基于对称性的ML模型可显著提升格点模拟中的样本效率与泛化能力，同时不损害理论一致性。
• 当前用于非连通图的随机方法仍过于昂贵且噪声过大，亟需基于ML的替代方案。
• ML与格点场论的融合需要新的软件工程实践与HPC资源分配模式，以满足性能与可复现性标准。
• 早期研究人员正推动ML在LQFT中的创新，但为留住人才，需设立永久性的跨学科职位并推动课程整合。
• 为LQFT开发的解决方案——如对称性感知、可证明精确的ML——可能在量子化学、凝聚态物理与工业AI中具有更广泛的应用前景。