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
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。
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。
已读完全部报道