Gauge invariant input to neural network for path optimization method
Gauge invariant input to neural network for path optimization method
复制标题
用于路径优化方法的神经网络的测量不变输入
DOI：
10.1103/physrevd.105.034502
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
Hayato Takase
中科院分区：
文献类型：
--
作者：
Yusuke Namekawa;Kouji Kashiwa;Akira Ohnishi;Hayato Takase
我们调查的效率规范不变输入到神经网络的路径优化方法。虽然路径优化与一个完全规范固定的链接变量的输入已经成功地驯服了一个简单的规范理论中的符号问题，优化不工作时，规范的自由度保持良好。我们建议采用规范不变的输入，如一个plaquette，以克服这个问题。对于具有复杂耦合的二维U（1）规范理论，评估了神经网络的规范不变输入的效率。平均相位因子通过具有元胞输入的路径优化而显著增强，表明对符号问题的良好控制。这为路径优化在现实环境中应用于包括量子色动力学在内的复杂规范理论提供了可能。
We investigate the efficiency of a gauge invariant input to a neural network for the path optimization method. While the path optimization with a completely gauge-fixed link-variable input has successfully tamed the sign problem in a simple gauge theory, the optimization does not work well when the gauge degrees of freedom remain. We propose to employ a gauge invariant input, such as a plaquette, to overcome this problem. The efficiency of the gauge invariant input to the neural network is evaluated for the two-dimensional U (1) gauge theory with a complex coupling. The average phase factor is significantly enhanced by the path optimization with the plaquette input, indicating good control of the sign problem. It opens a possibility that the path optimization is available to complicated gauge theories, including quantum chromodynamics, in a realistic setup.
数学生物物理学通报
影响因子：
2.9
作者：
M. Penrose
通讯作者：
M. Penrose
影响因子：
3.5
作者：
M. Fukuma;N. Matsumoto
通讯作者：
M. Fukuma;N. Matsumoto
晶格 θ-vacua 的数值模拟：以 2-d U(1) 规范理论作为测试用例
DOI：
10.1016/0550-3213(89)90051-5
发表时间：
1989
期刊：
Nuclear Physics
影响因子：
--
作者：
U. Wiese
通讯作者：
U. Wiese