[论文解读] Self-Learning Monte Carlo Method: Continuous-Time Algorithm

Yuki Nagai, Huitao Shen+3 more|DSpace@MIT (Massachusetts Institute of Technology)|May 18, 2017

Model Reduction and Neural Networks被引用 8

一句话总结

本文提出一种自学习连续时间蒙特卡罗（CT-AUX）方法，通过训练图生成函数（DGF）以提出全局、不相关的构型，从而加速费米子系统的量子蒙特卡罗模拟。该DGF源自学习到的辅助场分布，可实现高接受率的全局更新，降低计算复杂度——尤其在低温或强关联区域，标准CT-AUX因自相关时间过长而效率低下。

ABSTRACT

The recently-introduced self-learning Monte Carlo method is a general-purpose numerical method that speeds up Monte Carlo simulations by training an effective model to propose uncorrelated configurations in the Markov chain. We implement this method in the framework of continuous time Monte Carlo method with auxiliary field in quantum impurity models. We introduce and train a diagram generating function (DGF) to model the probability distribution of auxiliary field configurations in continuous imaginary time, at all orders of diagrammatic expansion. By using DGF to propose global moves in configuration space, we show that the self-learning continuous-time Monte Carlo method can significantly reduce the computational complexity of the simulation.

研究动机与目标

• 解决标准连续时间辅助场量子蒙特卡罗（CT-AUX）模拟的高计算成本问题，特别是由于低温或强关联区域中自相关时间过长所致。
• 通过用快速有效模型评估替代标准CT-AUX中每次局部更新的昂贵费米子行列式计算，突破该瓶颈。
• 开发一种通用、统计精确的方法，通过学习底层场构型分布来引导高效全局更新。
• 证明自学习方法能显著缩短模拟时间，同时通过细致平衡保证精确性。
• 在动力学平均场理论（DMFT）中实现高效杂质求解器应用，尤其在临界点附近，标准方法会显著变慢。

提出的方法

• 训练图生成函数（DGF）作为有效模型 $ H_{\text{eff}}[\phi(x)] $，以近似连续虚时中辅助场构型的玻尔兹曼权重。
• 通过试算阶段收集构型及其权重，随后优化DGF参数以匹配真实场构型的概率分布。
• 在实际模拟中，利用DGF在构型空间中提出全局移动，其接受率由原始哈密顿量的细致平衡决定。
• 将DGF权重高效计算为场构型的显式泛函，避免昂贵的费米子行列式计算。
• 将DGF集成到单杂质安德森模型的CT-AUX框架中，采用快速顶点插入/移除算法。
• 通过自相关时间与加速比衡量性能，对比不同 $ U $、$ \beta $ 与 $ \langle n \rangle $ 条件下自学习CT-AUX与标准CT-AUX的表现。

实验结果

研究问题

• RQ1 所学习的有效模型（DGF）能否在连续时间图展开中准确表示辅助场构型的完整分布？
• RQ2 使用DGF提出全局移动是否能显著降低CT-AUX模拟中的自相关时间，相比标准局部更新方案？
• RQ3 自学习CT-AUX方法的计算复杂度如何随系统参数变化，其在强关联或低温区域与标准CT-AUX相比表现如何？
• RQ4 自学习方法的加速比如何依赖于系统参数，如相互作用强度 $ U $、逆温度 $ \beta $ 与平均展开阶数 $ \langle n \rangle $？
• RQ5 是否可构造出形式简单、解析可处理的DGF，同时仍能精确捕捉所有展开阶次的场分布？

主要发现

• 单杂质安德森模型的DGF形式极为简洁，且在所有图展开阶次下均能以高精度重现连续时间中的精确辅助场分布。
• 自学习CT-AUX方法显著降低了自相关时间，尤其在低温与强关联区域，标准CT-AUX因临界慢化而效率低下。
• 加速比 $ t_s \sim \frac{\langle n \rangle}{m_c \tau_{\text{SL}}} $ 随平均展开阶数 $ \langle n \rangle $ 增大而提升，且由于 $ \langle n \rangle \sim \beta U $，该方法在高 $ \beta $ 或 $ U $ 条件下优势愈加明显。
• 自学习方法的计算成本为 $ \mathcal{O}\left(\langle n\rangle^3 + m_c \langle n\rangle \tau_{\text{ori}}\right) \tau_{\text{SL}} $，其中第二项主导（因 $ \tau_{\text{ori}} $ 较长），但DGF显著降低了所需更新的有效数量。
• 基于DGF的全局更新实现 $ \tau_{\text{SL}} \sim \mathcal{O}(1) $，表明采样近乎不相关，且通过细致平衡保持统计精确性。
• 该方法在实践中展现出显著加速，加速比随系统复杂度增加而提升，特别适用于DMFT中的杂质求解器及临界点研究。