[论文解读] Introduction to Normalizing Flows for Lattice Field Theory

Michael S. Albergo, Denis Boyda+6 more|arXiv (Cornell University)|Jan 20, 2021

Computational Physics and Python Applications参考文献 23被引用 15

一句话总结

本文提出将归一化流作为机器学习方法，用于在格点场论中高效采样玻尔兹曼分布，涵盖标量理论和U(1)规范场论。通过利用可逆、可微分的变换并编码物理对称性（如规范不变性和平移不变性），该方法实现了精确的似然评估与直接采样，后续的MCMC校正确保了统计无偏性。在U(1)规范场论中，该方法实现了约24%的高接受率，并准确复现了拓扑敏感度（1.22 ± 0.05），与HMC基准结果一致。

ABSTRACT

This notebook tutorial demonstrates a method for sampling Boltzmann distributions of lattice field theories using a class of machine learning models known as normalizing flows. The ideas and approaches proposed in arXiv:1904.12072, arXiv:2002.02428, and arXiv:2003.06413 are reviewed and a concrete implementation of the framework is presented. We apply this framework to a lattice scalar field theory and to U(1) gauge theory, explicitly encoding gauge symmetries in the flow-based approach to the latter. This presentation is intended to be interactive and working with the attached Jupyter notebook is recommended.

研究动机与目标

• 开发一种可扩展的、可微分的格点场论采样方法，利用归一化流。
• 将物理对称性（如局域规范不变性和平移不变性）嵌入流架构中，以降低模型复杂度。
• 通过可逆、连续的变换实现精确的似然评估与直接采样。
• 利用MCMC校正基于流的近似，确保生成系综的统计无偏性。
• 在标量φ⁴理论和U(1)格点规范场论上验证该方法，并进行定量分析。

提出的方法

• 使用归一化流作为可逆、可微分的变换 f: z → x，其中 z 为简单先验分布，x 为目标场构型。
• 采用带掩码耦合的耦合层构建表达能力强、可计算的流，雅可比行列式通过自动微分计算。
• 施加等变性约束，以在流架构中强制实现格点平移对称性和局域U(1)规范不变性。
• 对流模型生成的样本应用MCMC校正（如Metropolis独立性采样器），以实现从目标玻尔兹曼分布的精确采样。
• 将模型密度 q(x) 与目标密度 p(x) 的对数似然比用作作用量的代理，通过变分推断进行训练。
• 使用PyTorch进行端到端训练，采用Adam优化，并在训练过程中通过实时绘图跟踪训练指标。

实验结果

研究问题

• RQ1 归一化流能否有效用于采样具有高维、约束性构型的复杂格点场论？
• RQ2 如何将规范不变性和平移不变性等物理对称性嵌入归一化流架构中，以提升采样质量并降低模型复杂度？
• RQ3 基于流的模型在多大程度上能近似格点场论中的真实玻尔兹曼分布？MCMC校正在多大程度上能有效消除统计偏差？
• RQ4 与标准HMC相比，该方法在采样如U(1)规范场论中的拓扑非平凡区域时表现如何？
• RQ5 该方法能否以高精度和低误差复现关键可观测量（如拓扑敏感度）？

主要发现

• 在U(1)规范场论中，该方法实现了24.4%的Metropolis接受率，表明流模型的提议质量优异。
• 测得的拓扑敏感度为1.22 ± 0.05，与HMC基准值1.23 ± 0.02高度一致。
• 模型的对数似然 q(x) 与真实作用量 S(x) 呈强相关性（斜率≈1），证实了密度近似的准确性。
• 训练动态显示有效样本量和损失在10个训练周期内均稳定收敛，行为一致。
• 采用对称性引导的流架构降低了模型复杂度，并提升了泛化能力，表现为训练稳定且可观测量准确。
• 该框架成功生成了无偏系综，拓扑荷Q在马尔可夫链时间上快速混合，有效避免了拓扑冻结现象。