Los puntos clave no están disponibles para este artículo en este momento.
Definimos una clase de algoritmos de muestreo basados en flujo aprendidos por máquinas para teorías de redes de gauge que son invariantes a gauge por construcción. Demostramos la aplicación de este marco a la teoría de gauge U(1) en dos dimensiones del espacio-tiempo, y encontramos que, a acoplamiento bare pequeño, el enfoque es órdenes de magnitud más eficiente para muestrear cantidades topológicas que procedimientos de muestreo más tradicionales como el híbrido Monte Carlo y el baño de calor.
Kanwar et al. (Mar,), estudiaron esta cuestión.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: