보정된 볼츠만 샘플링을 위한 신경 비평형 해밀토니안 몬테카를로
Neural Non-Equilibrium Hamiltonian Monte Carlo for Corrected Boltzmann Sampling
학습된 동역학적 제안(dynamical proposal)은 다루기 쉬운 종점 밀도(endpoint density)를 제공하지 않고도 구성을 생성할 수 있습니다. 비평형 경로 확률은 이러한 제안을 보정하는 방법을 제공하지만, 보정 자체만으로는 분리된 영역들을 연결하는 능력을 결정짓지 못합니다. 우리는 조건부 모멘텀(momentum) 분포를 가역적이고 부피를 보존하는 동역학에 결합한 신경 비평형 해밀토니안 몬테카를로(Neural Non-Equilibrium Hamiltonian Monte Carlo, NHMC)를 소개합니다. 순방향-역방향 경로 비율은 학습(training), 중요도 가중치 부여, 정규화 상수 추정, 그리고 메트로폴리스 보정에 사용되는 일(work)을 제공합니다. 그런 다음 역방향 및 순방향 경로가 중간 구성을 공유하는 구성 공간 왕복 커널(kernel)을 구축합니다. 해당 구성에 조건화되었을 때, 이 커널의 경로 기록 업데이트는 독립 메트로폴리스-헤이스팅스(independence Metropolis–Hastings)가 됩니다. 우리는 이의 정상 상태 영역 간 흐름(inter-region flow)을 정확한 조건부 매칭 하에서 얻은 흐름과 비교하고, 그 차이를 조건부 경로 불일치로 경계를 설정(bound)합니다. 이는 조건부 제안의 오류를 종점 영역과 중간 구성 간의 의존성으로부터 분리합니다. 다중 우물(many-well) 실험을 통해 정규화 상수와 모드 확률을 테스트하며, 통제된 격자 $φ^4$ 실험은 섹터 간 흐름을 섹터 완화와 연관시킵니다. 2차원 $U(1)$, $\mathrm{SU}(2)$, $\mathrm{SU}(3)$ 실험에서는 해석적 힘 및 학습된 힘을 가진 경로를 포함하여 구조화된 참조를 공유하는 네 가지 제안 구성을 비교합니다.