面向格点场论的扩散模型无数据训练

基于摘要分析。本文研究格点场论中平衡场构型的采样问题，提出在可访问目标分布未归一化概率密度的前提下，利用扩散模型自身生成的样本进行训练，以避免标准去噪分数匹配对目标分布样本的依赖。这里的“无数据”并非无需目标信息，而是不依赖预先采集的目标分布训练样本。 核心机制是使用 target score identity 构造训练目标。摘要区分了两类方案：重要性加权形式使训练过程始终对应一致的目标；无权重变体则形成自洽的固定点训练方案。具体恒等式、权重计算、优化目标及稳定性条件尚未验证，不能仅据摘要推断其收敛保证或计算成本。 作者在二维 φ^4 理论中比较不同方案，覆盖对称相、临界相和破缺相。作者报告，所识别的有效方案能够实现高效训练与采样，最终性能与使用 HMC 参考数据训练的方案相当。摘要未提供性能指标、格点规模、采样预算或误差范围，实验协议、消融及统计信息尚未验证。 该研究的主要对象是具有可求值未归一化目标密度的物理场分布，而非 EEG 或 BCI。其方法依赖明确的目标密度信息，不能直接等同于从有限 EEG 观测中学习未知分布；现有材料不足以建立具体迁移路径，因此不据此提出 BCI 效果判断或复现实验建议。