Neural Networks, Dispersion Relations and the Thermal Bootstrap

Resumen Técnico: Redes Neuronales, Relaciones de Dispersión y el Bootstrap Térmico

Enunciado del Problema
El bootstrap conforme moderno depende típicamente de restricciones de positividad y programación semidefinida convexa para restringir las Teorías de Campo Conformes (CFT). Sin embargo, este enfoque falla en contextos físicamente significativos donde la positividad está ausente, como en teorías a temperatura finita, teorías con defectos o fronteras, y ecuaciones de cruce de más de cuatro puntos. En estos escenarios, el objetivo cambia de excluir regiones de datos de CFT a reconstruir soluciones completas de las ecuaciones del bootstrap. Las truncaciones estándar de la Expansión del Producto de Operadores (OPE) introducen errores sistemáticos difíciles de controlar, y las ecuaciones resultantes a menudo involucran familias continuas de restricciones y un número infinito de operadores, lo que conduce a soluciones no únicas. Específicamente, para CFTs térmicas en $S^1 \times \mathbb{R}^{d-1}$, la condición KMS (Kubo-Martin-Schwinger) actúa como una ecuación de cruce que carece de requisitos de positividad, haciendo que la reconstrucción de correladores térmicos sea un problema de bootstrap "primal" significativamente más difícil que las aplicaciones estándar.

Metodología
Los autores proponen un marco que elude la positividad y las truncaciones ad hoc incontroladas combinando relaciones de dispersión restadas con redes neuronales. La metodología procede a través de los siguientes pasos:

1. Relaciones de Dispersión y División de Espín Alto/Bajo: La función de dos puntos térmica $g(z, \bar{z})$ se expresa mediante una relación de dispersión restada. Esta relación separa el espectro de operadores en:

   • Un conjunto finito de operadores de bajo espín y baja dimensión "expuestos" ($J \le J^*$, $\Delta \le \Delta^*(J)$).
   • Un conjunto de funciones de "cola" suaves unidimensionales $A_{\Delta^*(J), J}(r)$ que empaquetan la contribución infinita de la torre de altas dimensiones para cada espín $J \le J^*$.
   • Un término de discontinuidad integrado que captura todos los operadores con espín $J > J^*$.

2. Parametrización con Redes Neuronales: Las funciones de cola se modelan utilizando redes neuronales de tipo Perceptrón Multicapa (MLP) de alimentación directa. Específicamente, se emplea una arquitectura dispersa de múltiples ramas donde una capa de entrada compartida procesa la coordenada radial, alimentando subredes paralelas que se especializan en las funciones de cola para diferentes espines. Esto permite que el espectro infinito de altas dimensiones sea bootstrapado dinámicamente junto con los datos expuestos.

3. Optimización No Convexa: La condición KMS se reformula como un problema de optimización no convexa. Los autores definen funciones de pérdida (Pérdida Absoluta Media, Pérdida de Producto Puntual) que miden la violación de la ecuación de cruce en una cuadrícula de puntos dentro de la región de convergencia de la OPE. La optimización busca minimizar estas pérdidas con respecto tanto a los coeficientes expuestos como a los parámetros de la red neuronal.

4. Mecanismo de "Ancla": Una observación crítica es que el paisaje de optimización contiene muchos mínimos de baja pérdida. Para seleccionar la solución física, el marco utiliza "anclas" —valores específicos y conocidos de las funciones de cola en un radio intermedio—. Los autores encuentran que proporcionar un ancla correcta colapsa el espacio de soluciones a un mínimo único y estable, mientras que anclas incorrectas o ausentes conducen a distribuciones amplias y sesgadas o a la falta de convergencia.

Resultados Clave
El marco se prueba en dos clases distintas de teorías:

• Campos Libres Generalizados (GFF): En $d=4$ con $\Delta_\phi = 1.68$, el método recupera con éxito las funciones de cola analíticas y la combinación de coeficientes de OPE $a_{1,0} + 3a_{0,2}$ con alta precisión. Los resultados demuestran que un solo ancla correcta de radio intermedio es suficiente para colapsar la familia continua de soluciones de baja pérdida a la solución GFF única. Por el contrario, las anclas incorrectas resultan en grandes varianzas en los datos extraídos, estableciendo la estabilidad como un criterio para la validez de la solución.
• CFTs Holográficas: Aplicado a CFTs holográficas en 4d (duales a la gravedad de Einstein en AdS), el método intenta determinar coeficientes de OPE de doble giro a partir de datos fijos de energía-momento de múltiples trazas. Utilizando una búsqueda estabilizada con ReLU alrededor de un vector de referencia (derivado de valores GFF), los autores extraen la combinación $a_{1,0} + 3a_{0,2}$. El resultado, $9.37 \pm 0.44$, está en tensión (a un nivel de $\approx 4\sigma$) con cálculos de volumen independientes ($\approx 7.7$). Los autores atribuyen esta discrepancia a errores sistemáticos en la implementación actual, específicamente la truncación de la discontinuidad del canal cruzado y la determinación del parámetro de tolerancia de estabilidad $p^*$.

Significado y Afirmaciones
El artículo afirma proporcionar un bootstrap numérico directo de la condición KMS a separación espacial no nula, un régimen donde la información dependiente del espín sobre el espectro térmico se vuelve accesible. El significado del trabajo radica en:

• Manejo de la No-Positividad: Ofrece un camino viable para bootstrapar teorías donde los métodos estándar basados en positividad fallan, reemplazando la optimización convexa con optimización no convexa guiada por relaciones de dispersión.
• Manejo Dinámico del Espectro: Al modelar las colas de altas dimensiones con redes neuronales, el método evita los errores sistemáticos asociados con las truncaciones duras de la OPE, reteniendo el espectro infinito completo de contribuciones.
• Estabilidad como Criterio: El trabajo introduce una estrategia práctica donde la estabilidad de la optimización (baja varianza a través de inicializaciones) sirve como diagnóstico para la corrección de la solución, siempre que se proporcione un "ancla" correcta.
• Complementariedad: Los autores posicionan su enfoque como complementario a los recientes métodos de "sesgo espectral neuronal" (Refs. 18, 19). Mientras que esos métodos dependen de los priores implícitos de suavidad de las redes neuronales para reconstruir correladores a partir de datos mínimos, este marco incorpora explícitamente relaciones de dispersión e insumos específicos de la teoría (como la discontinuidad) para resolver la estructura completa de dos variables de los correladores térmicos.

Los autores concluyen que, aunque la implementación actual para CFTs holográficas muestra discrepancias cuantitativas con los resultados de volumen, la capacidad estructural para desentrañar datos dependientes del espín está confirmada. Se esperan mejoras futuras provenientes del aumento del corte de espín $J^*$, la implementación de discontinuidades dinámicas y el refinamiento de los criterios de selección de estabilidad.