Bootstrapping non-unitary CFTs

Este artículo presenta un método basado en algoritmos evolutivos para el bootstrap de teorías de campo conformes no unitarias, el cual invierte las ecuaciones de cruce para extraer coeficientes OPE y utiliza una función de recompensa estadística para encontrar espectros óptimos, validándose exitosamente en modelos mínimos con carga central $c<1$.

Lo esencial

Imagina que el universo es como una inmensa orquesta. En esta orquesta, cada instrumento representa una partícula o una fuerza, y la música que tocan sigue reglas muy estrictas llamadas "teorías de campos conformes" (CFT). Los físicos intentan descubrir qué instrumentos existen y cómo suenan para entender las leyes fundamentales de la realidad.

Durante años, los físicos han usado un método muy riguroso, como un filtro de seguridad estricto, para encontrar estas orquestas. Este filtro solo dejaba pasar a los instrumentos que cumplían una regla de oro: "la energía debe ser positiva" (esto se llama unitariedad). Era como si solo permitiéramos tocar a músicos que nunca se equivocaran ni tocaran notas "negativas". Funcionaba muy bien para encontrar las orquestas más famosas y estables, pero dejaba fuera a muchos músicos interesantes que tocan en zonas más oscuras o extrañas del universo (teorías no unitarias).

El problema:
Los físicos querían explorar esas zonas oscuras, pero el filtro antiguo no servía allí. Era como intentar encontrar un tesoro en un laberinto usando un mapa que solo muestra caminos iluminados; si el tesoro está en la oscuridad, el mapa no te sirve.

La nueva idea (La solución del artículo):
Los autores de este artículo (Yu-tin Huang y su equipo) proponen un enfoque totalmente nuevo. En lugar de usar un filtro estricto, usan un detective estadístico.

Aquí está la analogía sencilla:

1. El Juego de las Adivinanzas: Imagina que tienes una lista de instrumentos (un "espectro" de partículas) y quieres saber si tocan una canción perfecta (cumplen las reglas del universo).
2. La Prueba de los Oídos: En lugar de preguntar "¿Tocaron bien?", les pides que toquen la canción desde diferentes ángulos de la sala (diferentes puntos de vista o "razones cruzadas").
3. La Estabilidad:
   • Si la orquesta es real y perfecta, no importa desde qué ángulo escuches, la música siempre sonará igual. Los datos que obtienes son estables.
   • Si la orquesta es falsa o incompleta (como una lista de instrumentos que falta uno), la música sonará un poco diferente dependiendo de dónde te sientes. Los datos "temblarán" o fluctuarán.

La Innovación:
El equipo creó un "puntaje de estabilidad".

• Si tomas una lista de instrumentos, calculas cómo suena desde 100 ángulos diferentes.
• Si los resultados varían mucho, el puntaje es bajo (es una mala orquesta).
• Si los resultados son casi idénticos (estables), el puntaje es alto. ¡Esa es una orquesta real!

¿Qué lograron?

• Reencontraron lo conocido: Usaron este método para encontrar las orquestas famosas que ya conocíamos (los modelos mínimos), confirmando que su método funciona.
• Descubrieron lo nuevo: Luego, se atrevieron a entrar en la "oscuridad" (teorías no unitarias con un valor llamado c > 1). Allí encontraron varias orquestas candidatas que, aunque no son perfectas, suenan increíblemente estables. Son como "bocetos" de nuevas teorías que podrían existir en el universo, algo que los métodos antiguos nunca hubieran permitido encontrar.

En resumen:
Antes, los físicos solo buscaban orquestas "perfectas y seguras". Ahora, han creado una herramienta que busca consistencia. Si una lista de instrumentos suena igual de bien desde cualquier ángulo, ¡es una candidata válida para ser una teoría del universo! Esto abre la puerta a descubrir nuevas formas de física que antes pensábamos que eran imposibles de encontrar.

Es como pasar de buscar solo diamantes perfectos en una mina, a usar un detector de metales que te dice: "Oye, aquí hay algo que suena consistente, ¡vamos a cavar y ver qué es!".

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Bootstrapping non-unitary CFTs" (Bootstrapping de CFTs no unitarias) de Yu-tin Huang, Shao-Cheng Lee, Henry Liao y Justinas Rumbutis.

1. El Problema: Limitaciones del Bootstrap Convexo

El Conformal Bootstrap numérico, establecido seminalmente por Rattazzi et al., se ha convertido en una herramienta poderosa para restringir las Teorías de Campos Conformes (CFT). Sin embargo, este enfoque tradicional enfrenta dos limitaciones fundamentales:

1. Dependencia de la Unitariedad: El método estándar reformula las ecuaciones de cruce (crossing symmetry) como un problema de optimización convexa, lo cual requiere estrictamente que los coeficientes del producto de operadores (OPE) sean positivos (unitariedad). Esto excluye automáticamente a las CFTs no unitarias, que son relevantes en flujos de grupo de renormalización cerca de puntos fijos complejos y en contextos holográficos generales.
2. Dificultad para buscar en el interior del espacio de teorías: Los métodos basados en optimización convexa son excelentes para delimitar los bordes del espacio de teorías, pero son menos efectivos para localizar teorías específicas en el interior de dicho espacio o para encontrar soluciones aproximadas truncadas.

El objetivo de este trabajo es desarrollar una estrategia de bootstrapping que no asuma la positividad de los coeficientes OPE, permitiendo la búsqueda de soluciones para CFTs no unitarias.

2. Metodología: Estabilidad Estadística de los Datos OPE

Los autores proponen un cambio de paradigma: en lugar de buscar directamente en el espacio de dimensiones de escala, espines y coeficientes OPE (manteniendo la positividad), utilizan la estabilidad estadística de los coeficientes OPE inferidos.

El Enfoque Propuesto

1. Inversión de las Ecuaciones de Cruce: Para un espectro candidato (un conjunto de dimensiones de operadores $\Delta_k$ y espines $s_k$), las ecuaciones de cruce se pueden invertir para inferir los coeficientes OPE correspondientes ($C_k = f_{\phi\phi k}^2$).
2. Dependencia del Parámetro de Cruce:
   • Para una solución exacta, los coeficientes OPE inferidos son independientes de la elección de los puntos de parámetros de cruce ($z, \bar{z}$).
   • Para un espectro aproximado o truncado (donde se omiten operadores de alta dimensión), los coeficientes inferidos fluctúan a medida que varían los puntos de muestreo.
3. Función Objetivo: La dispersión estadística (varianza) de estos coeficientes inferidos a través de múltiples puntos de cruce sirve como una medida cuantitativa directa de la proximidad a una solución verdadera.
   • Se define una función de recompensa $R$ basada en el logaritmo de la relación entre la desviación estándar y la media de los coeficientes inferidos:
     $$R = -\sum_{i=1}^{N_r} \log \left| \frac{\sigma(C_i\{z\})}{\text{Mean}(C_i\{z\})} \right|$$
   • Un valor alto de $R$ indica que los datos OPE son estables bajo variaciones de los puntos de muestreo, lo que implica que el espectro satisface aproximadamente las ecuaciones de cruce.
4. Reducción del Espacio de Búsqueda: Al inferir los coeficientes OPE analíticamente (o numéricamente) para cada espectro candidato, estos se eliminan del espacio de búsqueda no lineal. La optimización se reduce a buscar únicamente sobre las dimensiones de los operadores ($\Delta_k, s_k$).

Implementación Técnica

• Optimizador: Se utiliza la estrategia de evolución de adaptación de matriz de covarianza (CMA-ES), un algoritmo estocástico libre de derivadas, adecuado para funciones objetivo no diferenciables y ruidosas.
• Paralelización: La evaluación de la función objetivo se realiza en GPU para manejar el costo computacional de calcular bloques conformes de Virasoro y realizar múltiples evaluaciones estadísticas.
• Bloques Conformes: Se emplean bloques conformes de Virasoro en 2D, evaluados mediante relaciones de recurrencia de tipo Zamolodchikov truncadas a un orden finito.

3. Resultados Clave

Los autores aplicaron su método a CFTs bidimensionales con primarios escalares, validando el enfoque en varios escenarios:

A. Espectros Exactos y Truncados para $c < 1$

• Validación en Modelos Mínimos: El método reprodujo con alta precisión los modelos mínimos de la serie A conocidos (incluyendo ejemplos no unitarios como la teoría de Yang-Lee).
• Detección de Estabilización: En regiones donde el espectro exacto requiere un número fijo de operadores (ej. 5 operadores), el algoritmo identificó correctamente cuándo el espectro se estabilizaba. Al aumentar el número de estados truncados ($N$) más allá del necesario, la función de recompensa dejaba de mejorar y los coeficientes OPE de los estados adicionales resultaban estadísticamente consistentes con cero.
• Precisión: En los casos donde el espectro exacto estaba contenido dentro del truncamiento, los errores relativos respecto a los valores analíticos fueron mínimos (del orden de $10^{-4}$ a $10^{-2}$).

B. Candidatos a Espectros No Unitarios para $c > 1$

• Descubrimiento de Nuevas Soluciones: El método se aplicó a la búsqueda de teorías con central charge $c > 1$, un régimen donde no existen modelos mínimos finitos conocidos y las soluciones son difíciles de encontrar.
• Resultados Estables: Se identificaron espectros truncados estables (con $N=11$ a $13$ estados) que satisfacen las ecuaciones de cruce con una violación comparable a la de los modelos mínimos conocidos.
• Criterio de Estabilidad: Para $N=11$, la recompensa superó el umbral empírico establecido. Al aumentar a $N=12$ y $N=13$, la recompensa se mantuvo constante y los coeficientes OPE de los estados adicionales (12 y 13) fueron órdenes de magnitud más pequeños que los estados anteriores, confirmando que el espectro de baja energía se había estabilizado.

4. Contribuciones Principales

1. Estrategia No Convexa: Introducen un marco de trabajo que elimina la necesidad de imponer unitariedad, permitiendo explorar el espacio de teorías no unitarias mediante una función objetivo basada en la estabilidad estadística.
2. Eliminación de Coeficientes OPE: Transforman el problema de optimización multidimensional (dimensiones + coeficientes) en un problema unidimensional sobre el espectro de dimensiones, simplificando drásticamente la búsqueda.
3. Validación Empírica: Demuestran que el método no solo recupera teorías conocidas con alta precisión, sino que también puede identificar soluciones truncadas estables en regímenes donde no se conocen soluciones exactas ($c > 1$).
4. Herramienta Práctica: Proporcionan una ruta práctica para resolver restricciones de bootstrap más allá del régimen convexo, utilizando optimizadores modernos (CMA-ES) y hardware acelerado (GPU).

5. Significado y Perspectivas

Este trabajo es significativo porque rompe la barrera metodológica que ha limitado el conformal bootstrap numérico principalmente a teorías unitarias durante más de una década. Al demostrar que es posible encontrar soluciones estables para teorías no unitarias sin asumir positividad, abre la puerta a:

• El estudio sistemático de flujos de grupo de renormalización hacia puntos fijos complejos.
• La exploración de teorías holográficas no unitarias.
• La aplicación de técnicas de aprendizaje automático y optimización estocástica a problemas de física teórica donde las funciones objetivo son ruidosas o no diferenciables.

Los autores sugieren que futuras extensiones podrían incluir espines no escalares, correladores mixtos y la incorporación de expectativas analíticas sobre el espectro asintótico para mejorar el tratamiento del error de truncamiento, especialmente en dimensiones $d > 2$.