跳到主要内容
返回时间线
arXiv来源发表:

解泛函重整化群流方程不再依赖大N近似:神经网络同时学会温度、场与尺度依赖

核心概要

求解泛函重整化群流方程改用物理信息神经网络,不再依赖此前类似方法所用的大N近似,也不借助任何网格离散。做法是把小场与大场展开拼成一个含可调参数的拟设,由网络预测其中的系数,从而在整段场范围内逼近有效势。在有限温度O(N)对称标量场论的局域势近似下,把隐藏层规模提高到128后,网络给出的序参量温度依赖与网格法结果几乎无法区分。

AI-generated editorial illustration: Utilizing Neural Networks for Solving Functional Renormalization Group Flow Equations

深度剖析

求解泛函重整化群流方程现在可以由一个不含网格的神经网络拟设完成,网络同时学习有效势对温度、场和重整化尺度的依赖。 此前的物理信息神经网络方案依赖大N近似,用大N极限下的解析解作为基线,只让网络学习有限N修正;这种分解在更复杂的多分量标量模型中不一定存在。 在有限温度O(N)对称标量场论的局域势近似下,把隐藏层规模提高到128后,网络给出的序参量温度依赖与网格法结果几乎无法区分,这是该工作的主要结果。

网络不是直接拟合有效势,而是作为拟设的构件,把大场与小场两种展开拼在一起,覆盖从大场到小场的整段范围。 小场区域有效势向凸性逐渐变平,是数值上最难处理的部分,单靠大场形式的拟设无法准确刻画。 拟设经过三次修改,逐步加入幂级数形式、由网络输出的过渡尺度以及重整化尺度输入,最终形式在固定温度与变温两种训练中都得到检验。

导数由拟设解析给出,不再用有限差分近似,因此不引入网格离散带来的数值不稳定。 此前的方案用有限差分求有效势的导数,这类近似在多变量函数上容易变得不稳定。 训练在局域势近似流方程上进行,损失由随机抽取的温度、场和尺度三元组上的偏微分方程残差求和构成,并用ADAM与L-BFGS优化。

启示与展望

结果针对有限温度O(N)对称标量场论的局域势近似,温度、场与尺度依赖的对照对象是网格法解。作者提出后续可扩展到有效势依赖多个场变量的系统,以及具有相应对称性的标量理论,并检验方法在规范理论中的适用性。

变温训练在相同网络规模下终端损失比固定温度训练高出一个数量级以上,精度部分被牺牲;作者指出需要增大隐藏层规模才能准确表示温度依赖,而降低红外截断同时保持精度所需的参数规模未作详细考察。