Applications of flow models to the generation of correlated lattice QCD ensembles

要約

機械学習による正規化フローを格子量子場理論のコンテキストで使用して、さまざまな動作パラメーターで統計的に相関のある格子ゲージ場のアンサンブルを生成できます。
この研究は、これらの相関をオブザーバブルの計算における分散削減にどのように利用できるかを示しています。
新しい残留流アーキテクチャを使用して、ゲージ理論の連続限界、QCD 観測量の質量依存性、およびファインマン-ヘルマン法に基づくハドロン行列要素という 3 つの異なる概念実証アプリケーションが実証されています。
3 つのケースすべてにおいて、機械学習フローを組み込むと、無相関アンサンブルまたは直接の再重み付けで同じ計算を実行した場合と比較して、統計的不確実性が大幅に減少することが示されています。

要約(オリジナル)

Machine-learned normalizing flows can be used in the context of lattice quantum field theory to generate statistically correlated ensembles of lattice gauge fields at different action parameters. This work demonstrates how these correlations can be exploited for variance reduction in the computation of observables. Three different proof-of-concept applications are demonstrated using a novel residual flow architecture: continuum limits of gauge theories, the mass dependence of QCD observables, and hadronic matrix elements based on the Feynman-Hellmann approach. In all three cases, it is shown that statistical uncertainties are significantly reduced when machine-learned flows are incorporated as compared with the same calculations performed with uncorrelated ensembles or direct reweighting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google