AI加速格点QCD
格点QCD的计算量有多大？一个64³×128的格子，约两百万个自由度，每个自由度是SU(3)群的一个元素——3×3的复矩阵。把所有可能的场配置遍历一遍？数比可观测宇宙的原子还多。所以只能抽样。用马尔可夫链蒙特卡洛（MCMC），从玻尔兹曼分布里一个个拉出场配置来，算可观测量，取平均。
问题在于，这根马尔可夫链走得慢。走到精细格距（接近连续极限），相邻两步之间几乎一模一样——链在原地打转。这叫临界减速。更糟的是拓扑冻结：格点上拓扑荷的变化需要跨过很高的能垒，链被卡在一个拓扑扇区出不来。你在β=7的U(1)理论里跑一万步HMC，拓扑荷一步都没变。这不是渐进自由的理论，连最简单的阿贝尔理论都冻住了。
从2009年Lüscher提出平凡化映射开始[1]，物理学家就在想：能不能把高维概率分布"变形"成一个简单分布，让抽样变容易？2017年之后，机器学习的爆发给了这个想法新的工具。流模型、扩散模型、神经网络变分法，一股脑涌进来。到2025年，这个领域已经有了足够多的结果，可以看清楚几条不同的路走到哪了。
最成熟的一条路是用归一化流（normalizing flow）加速采样。2020年，Kanwar、Albergo、Boyda、Cranmer、Hackett、Racanière、Rezende和Shanahan在PRL上发了第一篇[2]：构建规范等变的流模型，直接从流模型采样，用Metropolis检验保证正确性。八位作者，当时分布在MIT、纽约大学、DeepMind和费米实验室。Shanahan在MIT物理系和IAIFI（NSF人工智能与基础相互作用研究所），Kanwar当时在MIT后来去了苏黎世联邦理工，Albergo在纽约大学Courant研究所，Boyda在巴格达大学后来去了RIKEN BNL，Cranmer在纽约大学和Flatiron研究所，Hackett在MIT后来去了费米实验室，Racanière和Rezende在DeepMind。这篇论文证明了一件事：规范等变流模型在U(1)和SU(2)理论里能直接采样，有效样本大小（ESS）可以到70%以上。
然后问题来了：从小格点、简单规范群能不能扩到真实QCD？2025年2月，Abbott、Boyda、Hackett、Kanwar、Romero-López、Shanahan和Urban在arXiv上发了长文[3]，报告了两个重要进展。第一，学习型活跃环（learned active loops）：以前的流模型固定用plaquette或2×1矩形环，新的架构让每一层自动学习活跃环的最优线性组合。在β=2的4⁴格点上，ESS从20%跳到80%。第二，把流模型用于Nf=2 QCD的关联系综方法，计算π介子的胶子动量分数。他们用了ETMC合作组的10k组态（12³×24，π介子质量约540 MeV），流方法的统计误差比传统的ε-重加权小2-3倍。也就是说，达到同样的统计精度，需要的组态数少5-10倍。虽然每组态的流评估成本是传统的2倍，但在约4000个组态之后就已经净赚了。七位作者主要来自MIT/IAIFI和费米实验室，Kanwar来自苏黎世联邦理工。
同一方向上，多尺度归一化流试图从粗到细地构建场配置。Abbott、Albergo、Boyda、Hackett、Kanwar、Romero-López、Shanahan和Urban在2024年4月的论文[4]首次把多尺度思想搬到规范理论：先在粗格子上采样，再通过倍增层逐级添加细格自由度。在二维U(1)理论里，多尺度模型的ESS几乎不依赖β；在SU(3)理论里，β=16时仍保持约10%的ESS，而非多尺度模型几乎为零。四维的结果类似，大β时改进最显著。核心直觉：高β的分布有长程关联，粗格层可以直接建立这些关联，而纯细格流只能从最细的尺度往上搭，费劲。作者阵容和[3]基本一致，加上Albergo。
另一条路是修改HMC本身。2025年11月，He、Jin、Osborn和Zhao在arXiv上提出了神经场变换HMC（NTHMC）[5]。思路很直接：HMC在动量空间里做分子动力学演化，但能量景观太复杂导致步子小。那就在演化之前先用一个可逆的神经场变换把场"展平"，等效于给HMC加了一个学习到的预条件器。四位作者分别在马里兰大学（He）和阿贡国家实验室计算科学部和物理部（Jin、Osborn、Zhao）。他们在二维U(1)理论里测了五种神经网络架构，发现组合架构（残差连接+通道注意力+通道依赖tanh）效果最好：拓扑自关联时间γ(16)降低近40%，同时拓扑变化ΔQ相应增加。关键发现：模型在β=3的32²格子上训练，在更高β和更大体积上泛化得更好。这可能因为接近连续极限时长程结构占主导，而更宽感受野正好捕获这些可迁移的长程关联。
扩散模型是第三条路。2025年2月，朱倩腾、Aarts、王维、周凯和王凌霄提出了物理条件化扩散模型[6]。五人的分布很有意思：朱倩腾在中国科学院近代物理研究所南方核科学理论中心（SCNT，广东惠州），Aarts在上海交通大学暗物质物理重点实验室和英国斯旺西大学，王维在香港中文大学（深圳），周凯和王凌霄在RIKEN iTHEMS和东京大学物理智能研究所。他们的做法是把随机量子化直接写进扩散模型的采样过程。最漂亮的结果：模型在β=1.0的16×16格子上训练，可以直接外推到β=11和64×64的格子，不用重新训练。在β=7时，HMC已经完全拓扑冻结（拓扑极化率趋近于零），而扩散模型仍能探索多个拓扑扇区，拓扑极化率接近精确值。这归功于全卷积架构加上周期性填充，让网络处理任意大小的输入。不过也有局限：外推到大β时拓扑分布有偏差，因为只改了学习分数的幅度没改方向。
拓扑冻结不光是采样问题，也有非ML的解法。Bonanno、Clemente、D'Elia、Maio和Parente在2024年的JHEP论文[7]用并行回火加边界条件（PTBC）解决了完整QCD中的拓扑冻结。五人来自比萨大学物理系和INFN比萨分部（Clemente、D'Elia、Maio、Parente），Bonanno同时在马德里IFT-UAM/CSIC。他们在Nf=2+1 QCD物理点上做模拟，PTBC在零温和有限温度下都大幅缩短了拓扑荷自关联时间，格距精细到a≈0.02 fm仍然有效。这不依赖机器学习，但和流模型/扩散模型解的是同一个问题，经常被放在一起比较。
Lüscher的平凡化映射后来被两个团队分别用神经网络改进。一条线是Albandea、Del Debbio、Hernández、Kenway、MarshRossney和Ramos在2023年的EPJC论文[8]。六人分属瓦伦西亚大学IFIC（CSIC-UV联合中心）和爱丁堡大学Higgs理论物理中心。他们用归一化流近似Lüscher的平凡化映射，在二维φ⁴理论上做了原理验证。Ramos就是前面Dalla Brida等人2026年Nature论文里算α_s的那位。另一条线是Gerdes、de Haan、Bondesan和Cheng在2025年的Phys. Rev. D论文[9]。四位作者：Gerdes和阿姆斯特丹大学/中研院数学所的Cheng（Miranda C.N. Cheng）同组，de Haan后来去了Qualcomm，Bondesan在DeepMind。他们构建了针对矩阵李群的通用连续归一化流架构，在群变换下等变，在二维格点规范理论里展示了有竞争力的性能。两条线的核心区别：前者从Lüscher的微扰平凡化映射出发再学习改进，后者从连续归一化流的数学结构出发直接构建等变架构。
还有一条完全不同的路：不用欧几里得路径积分，用哈密顿框架直接找基态。2025年9月，Spriggs、Greplova、Carrasquilla和Nys在PRL上发文[10]，用等变神经网络参数化SU(2)格点规范理论的基态波函数。Spriggs和Greplova在代尔夫特理工大学QuTech和Kavli纳米科学研究所，Carrasquilla和Nys在苏黎世联邦理工理论物理研究所。他们把SU(2)等变神经网络和物理驱动的变分猜测试探函数结合，在2+1维和3+1维的SU(2)格点规范理论里获得了高精度的基态能量，还算了Creutz比值和弦张力——全是和禁闭直接相关的量。这和路径积分方向完全不同：不需要采样，不需要MCMC，用变分蒙特卡洛直接优化波函数。代价是目前只能处理小格子和简单规范群。
Lawrence在2025年的综述[11]里把所有这些方法分成了四大家族：流采样、围道形变、控制变量、代理可观测量。他在洛斯阿拉莫斯国家实验室。他指出了一个有趣的反直觉发现：多参数的深度学习方法并不系统性地优于少参数甚至无参数方法。在归一化流和围道形变里都被反复验证。8个参数的Lüscher启发式ansatz，ESS 70%；百万参数的训练流，ESS 48%。这不一定说明深度学习没用——可能说明我们对格点QCD的流模型架构设计还不够成熟，简单粗暴地堆参数不如把物理先验编码进去。
最激进的方向可能是AI Agent。2025年12月，缪挺佳、戴嘉文、刘景坤、谭金鑫等21位作者（通讯作者：陈思衡和王伟）提出了PhysMaster[12]，一个基于大语言模型的自主AI物理学家系统。核心团队在上海交通大学——陈思衡在人工智能学院，王伟在物理与天文学院和SCNT。鄂维南（Weinan E）也是共同作者。PhysMaster用三阶段工作流：预任务阶段建知识库（集成LaMET理论、微扰QCD预测等），任务执行阶段用蒙特卡洛树搜索驱动探索、分层智能体协作，后任务阶段验证结果。2026年3月，谭金鑫、缪庭佳、张沐华等人在arXiv上展示了PhysMaster的实战成果[13]：全自动从格点QCD数据中提取Collins-Soper核。传统流程需要数月的人工操作——数据处理、高维拟合、连续极限-手征外推——PhysMaster缩短到数小时。他们在b⊥>0.5 fm的区域用物理驱动的参数化方法稳定了信噪比，把可靠的非微扰约束扩展到b⊥~1 fm，这是传统方法很难达到的。结果和微扰QCD预测及最先进的传统格点计算在误差范围内一致。八位作者：谭金鑫、缪庭佳和张沐华在上海交大物理与天文学院，庞翔赫和刘泽熙在人工智能学院，张林峰在深势科技（DP Technology），陈思衡和王伟是通讯作者。
Tomiya在2025年JPSJ上的综述[14]给出了一个更广的视角。他在2025年的职位比较特殊：2015年大阪大学博士，之后在名古屋大学小林-益川研究所和华中师范大学做博士后，2018-2021年在RIKEN BNL，2021-2024在大阪工业理工大学（IPUT Osaka）任助理教授和副教授，2024年8月到吉林大学物理学院做青年学者报告时标注的当前职位是CCNU（华中师范大学），但INSPIRE上同时列了筑波大学和东京女子基督教大学和RIKEN。他的综述覆盖了ML在格点QCD中的所有主要应用方向：流采样、临界减速缓解、拓扑冻结、强子谱函数提取、配分函数计算等。核心判断：ML已经在小系统和原理验证中证明了价值，但向真实QCD（大体积、物理夸克质量、精细格距）的扩展仍然是最大的开放问题。
把这些结果放在一起看，2024-2026年AI加速格点QCD的版图大概是：
流模型采样走到了Nf=2 QCD的关联系综方法，统计误差降低2-3倍，但还没到物理点的大体积计算。多尺度流在理论上很漂亮，还没走出小格子。神经场变换HMC在二维U(1)上效果明显，SU(3)还在路上。扩散模型在二维U(1)上展示了跨参数和跨体积的泛化能力，但拓扑分布有偏差。神经网络变分法在小格子的SU(2)基态上精度很高，和真实QCD还隔了几步。AI Agent直接把整个分析流程自动化了，从数据到物理结果数小时搞定，但目前只能做后处理，不涉及组态生成本身。
一个共同的瓶颈：从二维到四维、从U(1)/SU(2)到SU(3)、从小格点到64³×128、从纯规范到Nf=2+1物理点QCD，每一步跨越都很难。格点QCD的SU(3)规范场有8个色自由度，四维格子上相邻格点之间的色关联极强，费米子行列式是非局域的——这些结构上的复杂性让AI方法的扩展不是简单地放大模型就能解决。
但趋势是清楚的。物理先验的编码方式越来越精巧——从规范等变到多尺度到学习型活跃环到物理条件化扩散，每一步都在把更多的物理写进模型。Lawrence说的那个反直觉结果（少参数优于多参数）其实是好消息：它说明不是算力不够，是模型设计的问题。一旦找到对的架构，扩展可能比预想的快。
还有一层更深的变化。以前格点QCD的计算流程是线性的：产生组态→计算传播子→算关联函数→拟合物理量。每个步骤独立，人和人之间靠数据文件和脚本传递。AI Agent把这个链条串起来了。PhysMaster不是在加速某个步骤，是在加速整个流程。如果未来能把组态生成也纳入Agent的控制——比如自动选择HMC参数、自动切换采样算法——那就是端到端的自动化了。
中国科学院近代物理研究所的SCNT（南方核科学理论中心）在这个领域出现了好几次。朱倩腾的扩散模型[6]和王伟团队在PhysMaster里的SCNT联聘[12,13]，说明惠州这个相对较新的研究中心正在格点QCD和AI的交叉方向上建立存在感。国内还有中国格点合作组（CLQCD），由北大刘川、理论所马建平等人推动，2024年拿到了国家自然科学基金重大项目"基于国产超算的格点量子色动力学"，2025年10月开了第五届中国格点QCD研讨会。CLQCD目前的重点还在传统格点计算上，但刘川2025年10月的报告已经专门提到了ML在格点QCD中的潜力。
格点QCD的计算成本是核物理领域最大的——一个物理点的格点模拟通常需要几千万到几亿CPU核心小时。如果AI方法能把有效样本大小从几个百分点提到几十个百分点，或者把拓扑冻结的瓶颈打开，省下来的不是几个百分比的算力，是数量级的。这就是为什么这个方向在过去三年里爆发式增长，也是为什么它值得继续关注。
---
参考文献
[1] Lüscher, M. "Trivializing maps, the Wilson flow and the HMC algorithm." *Communications in Physics* 12, 0950 (2009). [CERN]
[2] Kanwar, G., Albergo, M. S., Boyda, D., Cranmer, K., Hackett, D. C., Racanière, S., Rezende, D. J. & Shanahan, P. E. "Equivariant Flow-Based Sampling for Lattice Gauge Theory." *Physical Review Letters* 125, 121601 (2020). [MIT/IAIFI, NYU Courant, DeepMind, Fermilab]
[3] Abbott, R., Boyda, D., Hackett, D. C., Kanwar, G., Romero-López, F., Shanahan, P. E. & Urban, J. M. "Progress in Normalizing Flows for 4d Gauge Theories." arXiv:2502.00263 (2025). [MIT/IAIFI, Fermilab, ETH Zürich]
[4] Abbott, R., Albergo, M. S., Boyda, D., Hackett, D. C., Kanwar, G., Romero-López, F., Shanahan, P. E. & Urban, J. M. "Multiscale Normalizing Flows for Gauge Theories." *Proceedings of the 40th International Symposium on Lattice Field Theory, PoS LATTICE2024* 035 (2024). [MIT/IAIFI, Fermilab, ETH Zürich, ALCF Aurora]
[5] He, J., Jin, X.-Y., Osborn, J. C. & Zhao, Y. "Neural Field Transformations for Hybrid Monte Carlo." arXiv:2511.02018 (2025). [University of Maryland, Argonne National Laboratory]
[6] Zhu, Q., Aarts, G., Wang, W., Zhou, K. & Wang, L. "Physics-Conditioned Diffusion Models for Lattice Gauge Theory." *Physical Review D* 112, 094516 (2025). [IMP CAS SCNT惠州, SJTU, CUHK-Shenzhen, RIKEN iTHEMS, U. Tokyo]
[7] Bonanno, C., Clemente, G., D'Elia, M., Maio, L. & Parente, L. "Full QCD with milder topological freezing." *Journal of High Energy Physics* 08, 236 (2024). [U. Pisa & INFN Pisa, IFT UAM-CSIC Madrid, CPT Marseille]
[8] Albandea, D., Del Debbio, L., Hernández, P., Kenway, R., MarshRossney, J. & Ramos, A. "Learning trivializing flows." *European Physical Journal C* 83, 676 (2023). [IFIC CSIC-UV Valencia, U. Edinburgh Higgs Centre]
[9] Gerdes, M., de Haan, P., Bondesan, R. & Cheng, M. C. N. "Nonperturbative trivializing flows for lattice gauge theories." *Physical Review D* 112, 094516 (2025). [U. Amsterdam & Academia Sinica]
[10] Spriggs, T., Greplova, E., Carrasquilla, J. & Nys, J. "Accurate ground states of SU(2) lattice gauge theory in 2+1D and 3+1D." *Physical Review Letters* 136, 101902 (2026). [Delft U. QuTech/Kavli, ETH Zürich ITP]
[11] Lawrence, S. "Machine-learning approaches to accelerating lattice simulations." arXiv:2502.02670 (2025). [Los Alamos National Laboratory]
[12] Miao, T., Dai, J., Liu, J., Tan, J. et al. "PhysMaster: Building an Autonomous AI Physicist for Theoretical and Computational Physics Research." arXiv:2512.19799 (2025). [SJTU, DP Technology]
[13] Tan, J.-X., Miao, T.-J., Zhang, M.-H., Pang, X.-H., Liu, Z.-X., Zhang, L.-F., Chen, S.-H. & Wang, W. "Automated Extraction of Collins–Soper Kernel from Lattice QCD using An Autonomous AI Physicist System." arXiv:2603.22471 (2026). [SJTU 物理与天文学院 & 人工智能学院, DP Technology, IMP CAS SCNT]
[14] Tomiya, A. "Machine Learning for Lattice QCD." *Journal of the Physical Society of Japan* 94, 031006 (2025). [CCNU/筑波大学/RIKEN]