扩散采样器不再先等蒙特卡洛造数据：SLDiffusion 用物理校正自举训练

用生成模型加速晶格场配置采样，通常先要从昂贵的传统蒙特卡洛链获得训练数据。SLDiffusion 探索另一条路线：从已知可精确采样的简单耦合出发，让扩散采样器依靠自己的马尔可夫链回放数据逐阶段训练。

学习提议，保留物理校正

在每个耦合参数阶段，模型用固定的已学习 score 产生周期高斯提议，再通过 Metropolis-Hastings 接受率对同一个物理目标做校正。被校正后的链产生回放样本，供下一阶段训练，而不是提前准备目标耦合下的数据集。

论文在二维紧致 XY 模型上从 β=0.30 自训练到 0.50。作者报告在 β=0.5 时，多个格点尺度的能量与涡旋密度和独立 Hybrid Monte Carlo 结果在 1.35σ 内一致；所测尺度上这两个观测量的积分自相关时间均低于 2。

关键不是让神经网络取代正确性校验，而是让它学习更有效的提议分布，同时保留接受拒绝步骤约束目标分布。这个组合把机器学习的效率与传统采样的统计保障放在同一条管线里。

目前实验仍集中在二维模型和有限体积，不能直接外推到更高维、临界慢化更强或拓扑障碍更复杂的体系。复现时还要检查不同观测量的自相关、跨体积迁移和自训练偏差，不能只看接受率。

SLDiffusion 展示了科学生成模型更可信的一种角色：学习“怎么走得快”，但让可验证的物理规则决定“这一步算不算”。若能在更困难的格点体系保持稳定，自举训练可减少先造大规模训练集这一前置成本。