[论文解读] Aspects of scaling and scalability for flow-based sampling of lattice QCD

Ryan Abbott, Michael S. Albergo+11 more|arXiv (Cornell University)|Nov 14, 2022

Complex Network Analysis Techniques被引用 5

一句话总结

本文研究了流基采样方法在格点QCD中的扩展性与可扩展性，表明传统的成本缩放定律不足以描述归一化流的性能。相反，本文表明流基方法必须通过实验评估，因为其缩放行为多样，结果表明在某些参数区域，自训练的归一化流在性能上优于HMC，且在当前最先进的QCD参数下表现可行。

ABSTRACT

Recent applications of machine-learned normalizing flows to sampling in lattice field theory suggest that such methods may be able to mitigate critical slowing down and topological freezing. However, these demonstrations have been at the scale of toy models, and it remains to be determined whether they can be applied to state-of-the-art lattice quantum chromodynamics calculations. Assessing the viability of sampling algorithms for lattice field theory at scale has traditionally been accomplished using simple cost scaling laws, but as we discuss in this work, their utility is limited for flow-based approaches. We conclude that flow-based approaches to sampling are better thought of as a broad family of algorithms with different scaling properties, and that scalability must be assessed experimentally.

研究动机与目标

• 评估流基采样方法是否能有效扩展至最先进的格点QCD计算。
• 挑战传统成本缩放定律在格场理论中归一化流采样方法中的适用性。
• 证明流基方法的可扩展性必须通过实验评估，而非依赖简单的缩放定律预测。
• 评估自训练归一化流在物理参数下两味威尔逊费米子作用量中的性能。
• 通过有效样本量（ESS）和重加权诊断，将流基采样与HMC进行比较。

提出的方法

• 使用归一化流对格点QCD中的目标分布进行建模，学习从简单基分布到复杂场构型空间的双射变换。
• 采用包含24个规范等变耦合层的流架构，使用标准卷积（卷积核大小为3），每层32个通道，通过在场构型上进行最大似然训练。
• 应用动量空间变换层，从自由场基分布中采样，通过可学习的极点质量参数化，以匹配自由场理论作用量。
• 精确计算费米子行列式，避免使用随机伪费米子估计器，从而实现精确训练与评估。
• 通过从目标样本中重加权估计的有效样本量（ESS）评估模型质量，减少模式崩溃带来的偏差。
• 通过学习率衰减训练模型，并在参数扫描之间保留优化器状态，以确保稳定收敛。

实验结果

研究问题

• RQ1 流基采样方法能否有效扩展至最先进的格点QCD参数和体积？
• RQ2 流基采样与HMC的缩放特性有何不同？能否通过简单的成本缩放定律进行预测？
• RQ3 传统成本缩放定律在多大程度上无法捕捉格场理论中归一化流的行为？
• RQ4 自训练归一化流在有效样本量和收敛性方面与HMC相比表现如何？
• RQ5 在流基采样器存在模式崩溃的情况下，重加权诊断能否可靠验证ESS估计？

主要发现

• 流基采样方法表现出多样的缩放行为，无法通过简单的成本缩放定律捕捉，因此必须通过实验评估其可扩展性。
• 自训练归一化流在β = 0.263下于两味威尔逊费米子作用量上实现了稳定训练和合理的ESS性能，表明其在物理参数下的可行性。
• 精确计算费米子行列式可实现可靠训练与评估，避免了随机估计器带来的偏差。
• 重加权诊断证实，模型样本的ESS估计是可靠的，未受到模式崩溃的显著影响。
• 通过学习率衰减和状态传递训练，参数扫描间实现了稳定的收敛，支持在不同λ和β下保持一致的性能。
• 动量空间基分布层成功模拟了具有可学习极点质量的自由场理论，实现了从明确定义先验中高效采样。