Notes on algebraic perspective on neural network conformal theories

En el vasto paisaje de la física moderna, existe un esfuerzo persistente por comprender cómo las reglas fundamentales del universo emergen del comportamiento de innumerables componentes diminutos. Una forma poderosa en que los físicos estudian estas reglas es a través de un marco llamado teoría de campos conforme, que describe sistemas que lucen iguales independientemente de cuánto se amplíe o se reduzca la escala. Estas teorías suelen construirse sobre la idea de un "espacio de Hilbert", un escenario matemático donde cada estado posible de un sistema tiene un tamaño positivo y medible, de forma muy similar a como un objeto físico tiene una masa positiva. Esta positividad es crucial porque asegura que la teoría tenga sentido en el mundo real, evitando que las probabilidades se vuelvan negativas o sin sentido. Sin embargo, la naturaleza a veces nos presenta sistemas que rompen estas reglas estándar, dando lugar a lo que se conocen como teorías no unitarias. Durante décadas, estos sistemas fueron difíciles de estudiar porque las herramientas matemáticas estándar utilizadas para construirlos colapsarían sin esa garantía de tamaño positivo.

Recientemente, se ha construido un nuevo puente entre este mundo abstracto de la física y el mundo práctico de la inteligencia artificial. Los investigadores han descubierto que si se toma una colección muy grande de redes neuronales simples —modelos computacionales inspirados en el cerebro humano— y se promedia su comportamiento, los patrones resultantes imitan el comportamiento de estas teorías físicas exóticas. Esta conexión, conocida como la correspondencia entre redes neuronales y teoría de campos, sugiere que las propiedades estadísticas de la configuración interna de la red neuronal pueden generar exactamente las mismas estructuras matemáticas que los campos cuánticos complejos. Esto ofrece una forma nueva y no tradicional de estudiar la física, que no depende de las ecuaciones de movimiento habituales, sino de la estadística de los parámetros de la red.

Un equipo de investigadores ha analado ahora más de cerca esta conexión, centrándose específicamente en una clase de estas teorías de redes neuronales que producen teorías de campos conformes no unitarias. Estos son los sistemas complicados donde las reglas estándar de positividad fallan y el escenario matemático habitual de la teoría parece desaparecer. Los investigadores querían comprender la estructura subyacente de estas teorías: cómo se relacionan las diferentes partes del sistema entre sí, y si aún se podía construir un marco matemático consistente incluso cuando las reglas estándar de positividad se rompen. Estaban particularmente interesados en un enigma que había surgido en trabajos anteriores: aunque la teoría producía patrones consistentes sobre cómo interactúan las partículas, parecía contener un número infinito de estados idénticos, o "degenerados", que eran difíciles de distinguir. No estaba claro si esto era un fallo del modelo o una característica genuina de la física.

Para resolver esto, el equipo examinó la "matriz de Gram" matemática, una herramienta que mide cuánto se solapan diferentes partes del sistema entre sí. En una teoría estándar, esta matriz debe ser definida positiva, lo que significa que siempre arroja números positivos, lo cual garantiza que los estados sean distintos y estén bien definidos. Los investigadores descubrieron que, para sus teorías de redes neuronales, esta matriz es, de hecho, definida positiva cuando se mide en el espacio de los parámetros de la red neuronal. Esto significa que, dentro del contexto de la propia red neuronal, cada operador es distinto y está bien definido. Sin embargo, cuando observaron la teoría desde la perspectiva del espacio y el tiempo, la positividad desapareció. Los estados que eran distintos en el espacio de parámetros se volvieron mixtos y negativos en la descripción del espacio-tiempo, confirmando que estas son, en efecto, teorías no unitarias que no pueden describirse mediante un espacio de Hilbert estándar.

El equipo construyó entonces un nuevo marco algebraico para describir estas teorías. En lugar de depender del espacio de Hilbert estándar, que requiere tamaños positivos para todos los estados, construyeron una estructura basada en un "espacio de Krein". Este es un escenario matemático más flexible que permite tanto tamaños positivos como negativos, siempre que estén equilibrados de una manera específica. Demostraron que, incluso sin la estricta positividad de una teoría cuántica estándar, las correlaciones entre diferentes puntos en el espacio y el tiempo siguen obedeciendo las simetrías de la teoría de campos conforme. Demostraron que la torre infinita de operadores degenerados encontrados en estudios previos es probablemente no un glitch artificial, sino una consecuencia natural de cómo se promedian los parámetros de la red neuronal, una conclusión respaldada por tendencias numéricas y conjeturada para el límite infinito. Los investigadores mostraron que estos operadores están relacionados entre sí de una manera precisa, formando una estructura algebraica coherente que puede describirse utilizando las simetrías del grupo conforme, aunque señalaron que probar la positividad completa de Krein de esta estructura sigue siendo una suposición más que un hecho derivado.

Uno de los hallazgos más significativos fue la resolución de un enigma respecto a las interacciones "mixtas". En estudios previos, no estaba claro cómo calcular la interacción entre diferentes tipos de operadores cuando estos eran degenerados. El equipo mostró que el método estándar de simplemente multiplicar operadores juntos no funciona aquí. En su lugar, la forma correcta de entender estas interacciones es verlas como una expansión alrededor de un conjunto de operadores "raíz", donde las conexiones entre diferentes estados están mediadas por la distribución estadística específica de los parámetros de la red neuronal. Encontraron que las restricciones sobre los momentos estadísticos de los parámetros de la red neuronal están profundamente ligadas a la consistencia de la teoría. Si la distribución de los parámetros se elige correctamente, la teoría permanece consistente, aun cuando carece de la positividad estándar de un espacio de Hilbert físico.

Los investigadores también aclararon la distinción entre el "álgebra de campos" y el "álgebra de correladores". En la construcción de la red neuronal, los campos mismos, antes del promedio, siguen una regla de multiplicación simple. Sin embargo, una vez que se realiza el promedio para obtener las predicciones físicas, las correlaciones resultantes revelan una estructura mucho más rica y compleja. Esta estructura está definida por la simetría conforme y la forma específica en que se distribuyen los parámetros de la red neuronal. El equipo mostró que esta estructura algebraica es robusta y puede definirse sin necesidad de asumir la existencia de un espacio de Hilbert estándar. En su lugar, utilizaron la correspondencia estado-operador, un principio fundamental en la teoría de campos conforme, para definir el álgebra directamente a partir de las funciones de correlación.

En su conclusión, los autores enfatizaron que, aunque estas teorías no encajan en el marco estándar de la teoría cuántica unitaria, no están matemáticamente rotas. Existen como estructuras algebraicas válidas que pueden ser estudiadas y comprendidas. El trabajo proporciona una receta para construir el álgebra de estas teorías directamente a partir de sus funciones de correlación, evitando la necesidad de un espacio de Hilbert tradicional. Esto abre la puerta al estudio de una clase más amplia de sistemas físicos que anteriormente se consideraban demasiado difíciles de manejar. Los investigadores señalaron que, si bien han establecido la existencia de esta estructura algebraica, los detalles completos de cómo se comportan estos sistemas en un sentido local del espacio-tiempo aún están siendo explorados. Sugirieron que el límite de gran N, donde el número de redes neuronales se vuelve muy grande, proporciona un entorno limpio para probar estas ideas más a fondo.

En última instancia, este trabajo demuestra que las herramientas de la inteligencia artificial pueden utilizarse para construir y analizar teorías físicas complejas que se encuentran fuera de los límites estándar de la física. Al tratar los parámetros de la red neuronal como los ingredientes fundamentales, los investigadores pudieron construir una descripción matemática consistente de las teorías de campos conformes no unitarias. Mostraron que la aparente degeneración y la falta de positividad no son errores, sino características de un nuevo tipo de teoría física que puede describirse utilizando un espacio de Krein. Este hallazgo sugiere que el paisaje de las posibles teorías físicas es más amplio de lo que se pensaba anteriormente, y que la intersección entre el aprendizaje automático y la física teórica ofrece una nueva y poderosa forma de explorar las leyes fundamentales de la naturaleza. El estudio confirma que, incluso en ausencia de la positividad estándar, una teoría coherente y estructurada puede emerger de las estadísticas de las redes neuronales, proporcionando una nueva perspectiva sobre cómo las leyes físicas podrían estar codificadas en sistemas complejos.