Extraer propiedades del continuo de teorías cuánticas de campos a partir de un espacio-tiempo discretizado es un desafío debido a los artefactos de la red. Las acciones de red mejoradas por el grupo de renormalización (RG) pueden preservar propiedades del continuo, pero en general son difíciles de parametrizar. El aprendizaje automático (ML) con redes neuronales convolucionales equivariantes al gauge proporciona una forma de describir eficientemente tales acciones. Probamos una acción de gauge de red mejorada por RG aprendida por máquina, la acción de punto fijo (FP) clásicamente perfecta, para la teoría de gauge SU(3) en cuatro dimensiones a través de simulaciones de Monte Carlo. Establecemos que el flujo de gradiente de la acción FP está libre de efectos de discretización a nivel árbol en todos los órdenes de la separación de la red, lo que la hace clásicamente perfecta. Esto nos permite probar la calidad de mejora de la acción FP, sin introducir artefactos adicionales. Encontramos que los efectos de discretización en los observables de flujo de gradiente están altamente suprimidos y son menos del 1% hasta separaciones de red de 0.14 fm, permitiendo que se extraiga física del continuo de redes gruesas. La calidad de mejora alcanzada motiva el uso de la acción FP en futuros estudios de teoría de gauge. Las ventajas de las parametrizaciones basadas en ML también destacan la posibilidad de realizar acciones cuánticas perfectas en la teoría de gauge de red.
Holland et al. (Fri,) estudiaron esta cuestión.