[论文解读] Scaling Up Machine Learning For Quantum Field Theory with Equivariant Continuous Flows

Pim de Haan, Corrado Rainone+2 more|arXiv (Cornell University)|Oct 6, 2021

Computational Physics and Python Applications被引用 12

一句话总结

本文提出了一种浅层、等变的连续归一化流，用于从量子场论中的高维概率分布采样，具体针对 $φ^4$ 格点理论。通过在最小化架构中嵌入精确的空间对称性和内部对称性，并使用手工设计的特征，该方法在 $32\times32$ 格点上将有效样本量从 realNVP 的 1% 提升至 66%，显著降低了临界慢化现象。

ABSTRACT

We propose a continuous normalizing flow for sampling from the high-dimensional probability distributions of Quantum Field Theories in Physics. In contrast to the deep architectures used so far for this task, our proposal is based on a shallow design and incorporates the symmetries of the problem. We test our model on the $\\phi^4$ theory, showing that it systematically outperforms a realNVP baseline in sampling efficiency, with the difference between the two increasing for larger lattices. On the largest lattice we consider, of size $32\ imes 32$, we improve a key metric, the effective sample size, from 1% to 66% w.r.t. the realNVP baseline.

研究动机与目标

• 通过使用机器学习改进提议分布，以解决格点量子场论中马尔可夫链蒙特卡洛（MCMC）采样时的临界慢化问题。
• 开发一种尊重所有相关对称性的归一化流模型——包括空间对称性（旋转、反射、平移）和内部对称性（$\phi \mapsto -\phi$），以提升采样效率。
• 证明浅层、基于对称性的架构结合手工特征，可在场论的生成建模中超越深层、端到端学习的模型。
• 通过消融研究验证精确等变性的重要性，并比较对称性操作下模型对数似然的不变性。

提出的方法

• 该模型采用基于常微分方程（ODE）变换的连续归一化流，其中向量场由作用于格点场配置手工特征的浅层等变神经网络参数化。
• 该流被构造为在二面体群 $D_4$（旋转与反射）和 $\mathbb{Z}_2$ 内部对称性（$\phi \mapsto -\phi$）下保持等变，确保变换后的样本具有相同的对数概率。
• 向量场通过受球谐函数启发的特征映射以及尊重对称代数的权重张量 $W$ 定义，流由 $\frac{d\phi}{dt} = f_\theta(\phi(t))$ 控制。
• 模型通过变分目标进行似然最大化训练，对数似然通过变量变换公式计算。
• 应用马尔可夫链蒙特卡洛的接受-拒绝步骤以校正分布误差，使用学习到的流作为提议分布。
• 通过对称性违反程度通过比较样本及其对称变换图像的对数似然来量化；精确不变性表明等变性正确实现。

实验结果

研究问题

• RQ1 浅层、基于对称性的归一化流是否能在格点场论分布的采样中超越深层、端到端学习的模型？
• RQ2 在空间和内部对称性下实现精确等变性在多大程度上提升了采样效率并减少了临界慢化？
• RQ3 标准 realNVP 流中对称性无法保持是否降低了采样性能，且该影响是否可量化？
• RQ4 在使用等变与非等变流时，有效样本量如何随格点尺寸变化？
• RQ5 等变性带来的性能增益在不同格点尺寸和物理可观测量上是否具有鲁棒性？

主要发现

• 在 $32\times32$ 格点上，所提出的等变流将有效样本量从 realNVP 基线的 1% 提升至 66%，显著提升了采样效率。
• 在所有格点尺寸下，等变模型的马尔可夫链蒙特卡洛接受率显著更高，表明临界慢化现象明显减轻。
• 模型对数似然在正方形格点的全部 8 种对称性（旋转、反射、平移）下保持不变，证实了精确等变性；而 realNVP 在训练后仍表现出可测量的对称性破坏。
• 消融研究显示，若移除空间或内部对称性等变性，性能会显著下降，证实两种对称性对最优采样均至关重要。
• 估计的物理可观测量——两点关联率 $\chi_2$ 和反极质量 $m_pL$——在各模型间保持一致，并与预期值吻合，验证了生成样本的正确性。
• 该模型在远少于 realNVP 的参数量下实现了更优性能，表明将领域特定对称性融入模型可减少对深层架构的依赖。