Neural and numerical methods for $\mathrm{G}_2$-structures on contact Calabi-Yau 7-manifolds

1. Problématique et Contexte

Les variétés de dimension 7 possédant une holonomie $G_2$ jouent un rôle central en théorie M, servant d'espaces internes pour la compactification de la théorie en onze dimensions vers quatre dimensions, permettant ainsi l'obtention de théories effectives supersymétriques chirales. Cependant, contrairement aux variétés de Calabi-Yau (CY) qui bénéficient d'outils puissants en géométrie complexe et algébrique, la géométrie $G_2$ reste largement inexplorée.

Le principal obstacle réside dans l'absence de métriques explicites à holonomie $G_2$. Trouver une telle métrique équivaut à résoudre un système complexe d'équations aux dérivées partielles non linéaires pour obtenir une structure $G_2$ sans torsion (c'est-à-dire où la forme définissante $\phi$ est à la fois fermée et co-fermée : $d\phi=0$ et $d*\phi=0$). Bien que des constructions topologiques existent (comme la somme connexe tordue), elles ne fournissent pas de métriques explicites, limitant ainsi le calcul de quantités physiques cruciales (couplages de Yukawa, volumes de cycles, potentiel non perturbatif).

L'objectif de cet article est de combler ce vide en développant un cadre numérique et d'apprentissage automatique pour approximer les structures $G_2$ sur une classe spécifique de variétés : les variétés de contact Calabi-Yau (cCY) de dimension 7. Ces variétés offrent un pont géométrique naturel entre les géométries CY et $G_2$, et sont plus accessibles numériquement car elles sont définies par des équations algébriques réelles.

2. Méthodologie

L'approche proposée se déroule en trois étapes principales, combinant des méthodes numériques existantes pour les variétés de Calabi-Yau et des architectures de réseaux de neurones (Deep Learning) :

A. Approximation de la métrique de la base Calabi-Yau

La première étape consiste à obtenir une approximation numérique de la métrique Ricci-plate sur une variété de Calabi-Yau tridimensionnelle (la base).

• Modèle de base : Les auteurs utilisent le package cymetric, qui emploie des réseaux de neurones pour apprendre les corrections à la métrique de Fubini-Study sur l'hypersurface de Fermat quintique dans $\mathbb{CP}^4$.
• Validation : Une vérification numérique de la condition de Kähler ($d\omega = 0$) est effectuée en utilisant une dérivée extérieure numérique (NED), confirmant que la métrique apprise est approximativement Kähler avec une erreur résiduelle bornée.

B. Construction de la structure $G_2$ sur le lien

À partir de la métrique de la base, les auteurs construisent une structure $G_2$ sur le « lien » de Calabi-Yau (une variété de dimension 7 qui est un fibré en cercles $S^1$ au-dessus de la base CY).

• Formules géométriques : En utilisant la proposition 7 de l'article, la forme $G_2$ $\phi$ et sa duale de Hodge $\psi$ sont construites explicitement à partir de la forme de Kähler $\omega$ et du volume holomorphe $\Upsilon$ de la base, via les relations :
  $$\phi = \eta \wedge \omega + \text{Re}(\Upsilon)$$
  $$\psi = \frac{1}{2}\omega \wedge \omega + \eta \wedge \text{Im}(\Upsilon)$$
  où $\eta$ est la forme de contact.
• Génération de données : Un jeu de données de 900 000 points est généré sur le lien en échantillonnant la base CY et en appliquant une rotation de phase pour couvrir la fibre $S^1$. Les tenseurs $\phi$ (forme 3) et $g_\phi$ (métrique induite) sont calculés point par point.

C. Apprentissage par Réseau de Neurones

Une architecture neuronale dédiée est entraînée pour apprendre directement les tenseurs géométriques à partir des coordonnées des points.

• Entrées : Les coordonnées ambiantes du point sur le lien ($\mathbb{R}^{10}$), les coordonnées locales de la forme de contact $\eta$, et les indices de patch pour la base CY.
• Sorties :
  1. Les 35 composantes indépendantes de la forme $G_2$ $\phi$ (antisymétrique).
  2. Les 28 composantes indépendantes de la métrique $g_\phi$ (symétrique), décomposées via une décomposition de Cholesky ($g_\phi = LL^T$) pour garantir la semi-définie positivité.
• Architecture : Un réseau dense feed-forward (4 couches : 512-512-256-256) avec activation GELU, optimisé par Adam avec une fonction de perte MSE (ou Huber).

3. Résultats Clés

Les expériences ont été menées sur le lien quintique de Fermat. Les résultats démontrent la faisabilité de l'approche :

• Précision de l'apprentissage :

  • Pour la forme $\phi$, le modèle atteint une erreur quadratique moyenne (MSE) de test de $1.54 \times 10^{-6}$.
  • Pour la métrique $g_\phi$, la MSE de test est de $2.28 \times 10^{-6}$.
  • Les coefficients de corrélation de Pearson (PMCC) sont proches de 1, indiquant une corrélation quasi parfaite entre les valeurs prédites et les valeurs de référence calculées analytiquement/numériquement.

• Vérification de la torsion :

  • L'utilisation du modèle neuronal continu permet de calculer la dérivée extérieure numérique ($d\phi$ et $d\psi$) sur des voisinages de points, ce qui n'était pas possible avec les données discrètes brutes.
  • Condition $d\psi$ : La norme $\|d\psi\|$ est de l'ordre de $O(10^{-2})$, ce qui est cohérent avec la condition de co-fermeture ($d*\phi=0$) attendue pour les structures cCY.
  • Condition $d\phi$ : La norme $\|d\phi\|$ correspond à $\|\omega \wedge \omega\|$, confirmant que la structure n'est pas fermée (torsion non nulle), comme prévu théoriquement pour ces variétés de contact.
  • Identités algébriques : La relation fondamentale $\phi \wedge \psi = 7 \text{vol}(g_\phi)$ est vérifiée avec une précision numérique élevée (ratio moyen $\approx 7$).

4. Contributions Principales

1. Première approximation neuronale d'une structure $G_2$ : C'est la première fois qu'un réseau de neurones est entraîné pour apprendre simultanément la forme définissante 3-forme et la métrique riemannienne induite d'une structure $G_2$ sur une variété de contact Calabi-Yau.
2. Cadre de génération de données hybride : L'article établit une pipeline robuste combinant l'apprentissage de métriques CY (cymetric) et la construction géométrique explicite pour générer des données d'entraînement massives et cohérentes sur des variétés de dimension 7.
3. Validation par dérivée extérieure numérique : L'intégration d'un calcul de torsion via des réseaux de neurones continus valide non seulement la précision de l'approximation, mais aussi la cohérence géométrique globale (respect des identités de $G_2$ et des conditions de torsion).
4. Analyse statistique des tenseurs : L'étude révèle des différences statistiques intéressantes : les composantes de la forme $\phi$ présentent une multimodalité marquée (liée à la fibration $S^1$ et aux identités algébriques), tandis que les composantes de la métrique $g_\phi$ sont plus régulières, facilitant leur apprentissage.

5. Signification et Perspectives

Ce travail ouvre une nouvelle voie pour l'étude des géométries d'holonomie exceptionnelle, traditionnellement réfractaires aux méthodes analytiques explicites.

• Physique Théorique : La capacité à approximer ces métriques permettrait à terme de calculer des quantités physiques dans les compactifications de la théorie M (stabilisation des modules, brisure de supersymétrie).
• Flots Géométriques : Les métriques apprises servent de données initiales idéales pour des flots géométriques neuronaux (comme le flot de coflow de Laplacien). L'objectif futur est d'évoluer ces structures « co-fermées » vers des structures « sans torsion » (holonomie $G_2$ stricte) en minimisant la composante de torsion restante.
• Généralisation : La méthodologie peut être étendue à d'autres bases Calabi-Yau et à d'autres classes de variétés, offrant un outil puissant pour explorer le paysage des géométries spéciales.

En résumé, cet article démontre que l'apprentissage automatique, couplé à des contraintes géométriques rigoureuses, est un outil puissant pour surmonter les obstacles computationnels liés aux variétés de dimension 7 et aux théories de haute énergie.