量子科技中心_量科网

非归一化概率分布是各科学领域建模复杂物理系统的核心。传统采样方法（如马尔可夫链蒙特卡洛法）常面临收敛缓慢、临界减速、模式混合性差及自相关性高等问题。相比之下，基于似然和对抗性机器学习模型虽有效，但高度依赖数据驱动，需庞大数据集且易出现模式覆盖不足或模式坍缩。本研究提出ScoreNF——一种基于归一化流架构的评分学习框架，结合独立Metropolis-Hastings模块，实现从非归一化目标分布的高效无偏采样。研究表明，ScoreNF即使在小规模训练集下仍保持高性能，从而降低对计算密集型MCMC训练数据的依赖。该团队还提出评估模式覆盖与坍缩行为的方法，并在合成二维分布（MOG-4与MOG-8）及高维ϕ4晶格场论分布上验证了该方法的采样有效性。