확률적 사전 확률을 활용한 변분 자기회귀 네트워크 (Variational Autoregressive Networks)

몬테카를로 방법 (Monte Carlo methods)은 다양한 과학 분야에서 필수적이지만, 상전이 (phase transitions) 근처에서 자기상관 시간 (autocorrelation times)이 급격히 증가하는 임계 감속 (critical slowing down) 현상으로 인해 효율성이 저해되는 경우가 빈번합니다. 신경망 기반 샘플러 (neural-network-based samplers)와 같은 딥러닝 (deep learning) 접근 방식이 이 문제를 완화하기 위해 제안되었으나, 모델 학습의 어려움이라는 또 다른 심각한 문제에 직면해 있습니다. 이러한 어려움은 기존 머신러닝 (machine-learning) 아키텍처가 지나치게 일반적인 성격을 띠고 있어, 기저에 깔린 물리적 대칭성 (physical symmetries)을 무시하고 네트워크가 이를 처음부터 다시 학습하도록 강제하는 데서 부분적으로 기인합니다. 본 논문에서는 모델에 물리적 사전 확률 (physical priors)을 통합하는 것이 성능을 크게 향상시킨다는 것을 입증합니다. 스핀-스핀 상호작용 (spin-spin interactions)을 통합하는 기존 전략을 바탕으로, 우리는 학습의 시작점으로 사전 확률 분포 (prior probability distribution)를 활용하는 프레임워크를 제안합니다. Ising 모델 및 Edwards-Anderson 스핀 유리 (spin glass) 모델에 대한 연구 결과는, '백지 상태 (blank slate)' 모델에서 벗어나 물리 정보 기반의 사전 확률 (physics-informed priors)을 사용하는 것이 학습 부담을 줄이고 이산 스핀 모델 (discrete spin models)에서 더 큰 시스템 크기의 시뮬레이션을 용이하게 한다는 것을 시사합니다.