跳跃展开为何在轻夸克处失效
跳跃展开是夸克传播子的一种幂级数近似，通过求解离散化的狄拉克方程得到。在收敛半径内它是最优的级数展开，但对物理上更有意义的轻夸克情形它会发散。这一发散目前把强耦合有效理论和有限密度方法限制在重夸克范围内。
论文把问题设定为在低阶截断中搜索，而不是搜索精确级数。即使在跳跃展开收敛的区域，在固定的跳跃操作次数下，低阶截断也未必是逆狄拉克算子的最佳近似。作者因此追问：机器学习能否找到更好的截断，以及在跳跃展开失效的区域是否存在另一种展开。
误差度量与等成本基准
近似质量用 ε(M,D) = ‖MD − I‖²_F / ‖I‖²_F 量化，其中 M 是候选算子，D 是狄拉克算子。分母消除了对晶格体积的依赖。由于矩阵规模很大，Frobenius 范数被改写为对随机、正态分布且归一化的夸克场求期望，即 ε(M,D) = E[‖MDv − v‖²]。
比较刻意做到成本匹配。在格点 QCD 中跳跃操作主导运行时间，因为它们需要在并行进程之间通信。一个 ℓ 层 HC 模型每个 H 层施加的跳跃算子集合，与跳跃展开的一步相同，因此 ℓ 层模型的成本等于 ℓ 步截断跳跃展开。GMRES 作为基准被纳入，因为它对每个右端项自适应地构造 D⁻¹ 的最优多项式近似，给出任何固定 D 多项式所能达到的下界。
两种架构在表达力与可训练性间取舍
HC 模型交替使用 Clifford 层和跳跃层。Clifford 层接收 n 个夸克场，用 C⁴ˣ⁴ 的 16 元 Clifford 基上的可训练复权重构造 m 个线性组合，这使权重可直接解释。跳跃层施加恒等算子或沿每个维度的前向与后向跳跃算子。堆叠这些层可得到任意深度的网络。
受限模型更接近跳跃展开：每个受限跳跃层对单个夸克场施加恒等项与 γ_μ 项的一个可训练组合，整个模型对这些层的乘积求和，并带一个整体缩放权重。HC 模型是受限模型的推广。受限模型更易训练、更易分析，HC 模型表达力更强；论文在各自表现最好的地方使用它们。
模型以同等成本胜过跳跃展开与 GMRES
训练使用来自 β = 6 的淬火 Wilson 作用量系综、8³ × 16 晶格上的四个规范场，质量固定，优化器为 Adam。模型在 −5 到 2 之间、步长 0.2 的 36 个质量上训练。测试使用训练中未见过的四个规范场，在 8³ × 16 和 16³ × 32 两种体积上进行，每个规范场用 100 个随机夸克场。
对 1 层模型，相对最佳基准的质量平均近似误差降低为 43%，其中 m < m_h 为 55%，m > m_h 为 23%。对 4 层模型，HC 模型的改进升至 65%（m_h 以下 78%，以上 41%），受限模型为 54%（以下 64%，以上 37%）。模型在所有质量参数上系统性地优于两个基准。作者将此归因于模型同时推广了跳跃展开和 D 的多项式，额外的自由度允许更好地近似 D⁻¹。
在跳跃展开发散处出现收敛
对 m ≳ −0.5，测试分数在超过 6 层后不再可靠提升，作者将其归因于该区域存在许多可能的良好低阶近似。对 m ≲ −0.5，测试分数在所考察的 16 层内持续提升。在 m = 1.4 时所有近似都表现出几何收敛；在 m = −3 时模型在最多 16 层内表现出几何收敛，而跳跃展开明显发散、GMRES 停滞。
论文报告的附录结果把跳跃展开失效定位在 m < −1.2 以下，把 GMRES 停滞定位在 m ≲ −3，而模型在所考虑的所有质量上都表现出几何收敛。论文将此视为初步迹象，表明模型学到的是超越跳跃展开和 D 多项式的新夸克传播子展开，而不仅仅是已知级数的更好调参截断。
如何解读学到的系数
训练后，模型被改写为 M = Σ_p Σ_k c_{p,k} Γ_k T_p，即对路径 p 和 Clifford 基元素 Γ_k 求和。跳跃展开可以写成相同形式，只是某些 c_{p,k} = 0，这使两者可直接比较。如果模型学到一个在跳跃展开中为零的非零 c_{p,k}，它就找到了超越跳跃展开的函数形式。直接用线性回归拟合这一形式被否决，因为路径数目随层数指数增长。
对长度为 0 的路径，跳跃展开给出 c_{[],1} = 2κ = 1/(m+4)，且 k ≠ 1 时 c_{[],k} = 0。对 m ≳ −0.5，模型恢复出跳跃展开；对 m ≲ −0.5，它们系统性偏离。在 m = 1 时，受限模型给出 1 层近似，系数如 0.193386(29)、0.078651(22) 和 0.08896(8)，为五个不同随机种子训练运行的平均值，与跳跃展开的差异具有统计显著性。在 m = −3 时，16 层 HC 模型给出 c_{[],1} = 0.1882(23) 而非 1，以及一个在跳跃展开中为零的 staple 路径系数 −0.0132(9)，显示出结构上全新的公式。
哪些能迁移，哪些需要重新训练
近似质量在统计上与晶格体积无关，尽管所有训练都在较小的 8³ × 16 体积上完成，因为该架构类似卷积架构，被设计为可迁移到更大体积。模型也泛化到未见过的规范场。论文指出，所发现的近似可在当前使用截断跳跃展开的任何地方作为即插即用替代。
部署时有一个边界很重要：调参部分依赖于规范场的底层概率分布，因此当切换到由显著不同作用量生成的规范场时，应重新训练模型。使用动力学规范场和 Haar 分布规范场的测试报告在附录中。因此实际优先关注的是轻夸克区域 m ≲ −0.5，那里 HC 模型表现最好，也是跳跃展开发散、GMRES 停滞之处；在该阈值以上，两种架构表现相近，主要学到的是已知展开的改进截断。
本文引用的文献
Learning Low-Order Approximations of the Quark Propagator in Lattice QCD
在 Clifford 基中的规范等变神经网络给出的低阶夸克传播子近似，在相同计算成本下优于跳跃展开和 GMRES，并在跳跃展开发散的轻夸克区域于最多 16 层内表现出几何收敛，提示存在一种新的级数展开。