用生成模型计算量子场论纠缠熵，效果优于传统蒙特卡洛方法。
Flow-Based Sampling for Entanglement Entropy and the Machine Learning of Defects
- 基于流模型与复本技巧，设计专用神经网络处理晶格缺陷连接的复本。
- 在二维和三维ϕ⁴理论中，纠缠熵计算精度和效率均超越现有蒙特卡洛方法。
- 适合研究量子场论中的缺陷现象与纠缠性质，尤其关注数值模拟优化者。
我们提出一种新方法，利用生成模型在晶格量子场论中数值计算Rényi纠缠熵。通过在连接两个复本的晶格缺陷处构建定制神经网络，将流基方法与复本技巧相结合。针对二维和三维ϕ⁴标量场理论的数值测试表明，该方法性能优于当前最先进的蒙特卡洛计算，并展现出随缺陷尺寸增长的优良扩展性。
原文摘要 · Abstract (English)
We introduce a novel technique to numerically calculate Rényi entanglement entropies in lattice quantum field theory using generative models. We describe how flow-based approaches can be combined with the replica trick using a custom neural-network architecture around a lattice defect connecting two replicas. Numerical tests for the $ϕ^4$ scalar field theory in two and three dimensions demonstrate that our technique outperforms state-of-the-art Monte Carlo calculations, and exhibit a promising scaling with the defect size.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。