关键词：格点量子色动力学，机器学习，生成模型，采样问题
论文题目：Advances in machine-learning-based sampling motivated by lattice quantum chromodynamics期刊名称：Nature Reviews Physics论文地址：https://www.nature.com/articles/s42254-023-00616-w
在计算科学中，从已知概率分布进行采样是一项普遍任务，在从语言学到生物学、物理学等各个领域的计算中都有涉及。生成式机器学习模型由于在图像、文本和音频生成等应用中取得成功，已成为这一领域的一种有前景的工具。然而，科学领域中的生成任务通常具有独特的结构和特征，例如复杂的对称性和对精确性保证的要求，这为机器学习既带来了挑战，也提供了机会。近日发表于 Nature Reviews Physics 的这篇观点文章概述了受格点量子场论启发的基于机器学习采样的进展，特别是对 QCD（量子色动力学）理论的应用。格点 QCD 使得我们能够从对粒子物理学的最基本理解中，计算物质的结构和相互作用，是全球开放科学超级计算的主要应用之一。为了这个应用设计机器学习算法面临着深刻的挑战，包括需要将自定义机器学习架构扩展到最大的超级计算机，但也蕴含巨大的潜力，并且正在更广泛的机器学习采样领域推动发展浪潮。在格点场论中，如果这种方法能够实现其早期的承诺，它将是向传统方法无法解决的粒子物理学、核物理和凝聚态物理等领域的第一性原理物理计算迈出的转变性一步。图1. 在格点 QCD 计算的时空格点中对单个立方体的描绘。图2. 格点QCD生成量子场与图像生成的采样任务比较。图3. 在二维时空中在 U(1) 格点规范理论中基于流采样（flow-based sampling）的优势。
推荐阅读