機械学習による繰り込み群改良ゲージ作用と古典的に完全な勾配流

科学分野:

• 高エネルギー物理学
• 計算物理学
• 量子場理論

背景:

• 量子場の理論における離散化時空からの連続体特性の抽出は、格子アーチファクトによって妨げられます。
• 繰り込み群（RG）改良格子作用は連続体特性を保持できますが、パラメータ化が困難です。
• 機械学習（ML）は、複雑な格子作用を記述するための効率的な方法を提供します。

研究 の 目的:

• 古典的に完全な固定点（FP）作用、特に機械学習による繰り込み群（RG）改良格子ゲージ作用をテストすること。
• 4次元SU(3)ゲージ理論における離散化効果の緩和におけるFP作用の有効性を評価すること。
• 量子場の理論のための改良格子作用の開発におけるMLの可能性を実証すること。

主な方法:

• モンテカルロシミュレーションを使用して、SU(3)ゲージ理論の古典的に完全な固定点（FP）作用をテストしました。
• ゲージ共変畳み込みニューラルネットワークを使用して、RG改良作用のMLベースのパラメータ化を行いました。
• 離散化効果を定量化するために、勾配流観測量を分析しました。

主要な成果:

• FP作用の勾配流は、すべての次数において格子間隔のツリーレベル離散化効果がないことが確認されています。
• 勾配流観測量における離散化効果は、格子間隔が0.14 fmまでであっても1%未満に抑制されています。
• FP作用は大幅な改善を示し、粗い格子からの連続体物理学の抽出を可能にします。

結論:

• 機械学習されたFP作用は、離散化アーチファクトを抑制する上で非常に効果的であり、連続体物理学の抽出を容易にします。
• 達成された改善の質は、格子ゲージ理論の研究におけるFP作用の使用を検証します。
• MLベースのパラメータ化は、格子ゲージ理論における量子的に完全な作用を実現するために有望です。