arXiv hep-latが2026年10月13日(現地時間)付けで報じたところによると、デニス・グリンワルド (Dennis Grinwald) 氏らは、格子ゲージ理論における拡散モデルのデータフリー学習手法を開発した。同手法は、平衡場構成のサンプリングにおける計算上のボトルネックを解消することを目的とし、ターゲットスコア恒等式と非正規化確率密度へのアクセスを利用する。同手法はハミルトニアンモンテカルロ法 (HMC) 参照データを用いた学習と比較して、同等の性能を達成したという。
格子ゲージ理論における平衡場構成のサンプリングは、主要な計算ボトルネックとして知られている。この課題に対し、独立した構成を生成できる生成型サンプラーの開発が求められてきた。拡散モデルはこの目的に有望視されてきたが、その標準的なdenoising score matching目的関数はターゲット分布からのサンプルを必要とし、これが元のサンプリング問題を再導入する形となっていた。
グリンワルド氏らは、非正規化確率密度へのアクセスがあれば、拡散モデルが生成された自身のサンプルからターゲットスコア恒等式を用いて学習できることを示した。この恒等式に対するImportance-weighted formulationは、学習全体を通じて一貫したターゲットを提供する。一方、unweighted variantsは、自己整合的な固定点学習スキームを定義する。
研究チームは、二次元のファイ四乗 (φ^4) 理論で異なるアプローチをベンチマークし、対称相、臨界相、および破れた相において効率的な学習とサンプリングを可能にする効果的な選択肢を特定した。最終的に、データフリー学習アプローチは、HMC参照データを用いた学習と同等の性能を達成した。
参考: arXiv hep-lat (アーカイブ) — 2026年10月14日 02:59 (JST)
原文ハイライト"our data-free training approach achieves comparable performance to training on HMC reference data."