Learning the open string spectrum with neural networks

तकनीकी सारांश: न्यूरल नेटवर्क के साथ ओपन स्ट्रिंग स्पेक्ट्रम को सीखना

समस्या विवरण
ट्री-लेवल ओपन सुपरस्ट्रिंग एम्प्लीट्यूड (amplitude) में एक अद्वितीय मास-स्क्वेयर्ड स्पेक्ट्रम होता है, जो रैखिक रेगेज ट्रेजेक्टरीज (Regge trajectories) पर स्थित धनात्मक पूर्णांकों से बना होता है। हालांकि यह स्पेक्ट्रम वेनेज़ियानो एम्प्लीट्यूड (Veneziano amplitude) से स्पष्ट रूप से ज्ञात है, लेकिन यह सीमा तक मौलिक भौतिक सिद्धांतों—विशेष रूप से लोकैलिटी (locality), एनालिटिसिटी (analyticity), क्रॉसिंग सिमेट्री (crossing symmetry), और यूनिटैरिटी (unitarity)—द्वारा निर्धारित है, यह जांच का विषय बना हुआ है। इसके अलावा, हाल के कार्यों ने सुझाव दिया है कि ओपन स्ट्रिंग स्पेक्ट्रम सामान्य गैर-पूर्णांक स्पेक्ट्रा की तुलना में $2 \to 2$ स्कैटरिंग में उत्पन्न एंटैंगलमेंट (entanglement) को न्यूनतम करता है। यह शोध पत्र दो प्राथमिक प्रश्नों को संबोधित करता है: (1) क्या पूर्णांक मास-स्क्वेयर्ड स्पेक्ट्रम और पार्शियल-वेव कोएफिशिएंट्स (partial-wave coefficients) को मशीन लर्निंग का उपयोग करके एक साथ सीखा जा सकता है, और अभिसरण (convergence) के लिए क्या आवश्यकताएं हैं? (2) क्या पूर्णांक स्पेक्ट्रम वास्तव में गैर-पूर्णांक विकल्पों की तुलना में एंटैंगलमेंट जनरेशन में एक न्यूनतम (minimum) के अनुरूप है? इसके अतिरिक्त, लेखक तीन-चैनल क्रॉसिंग सिमेट्रिक एम्प्लीट्यूड पर बाउंड्स (bounds) और गैर-डुअल (non-dual) एम्प्लीट्यूड के व्यवहार की जांच करते हैं।

कार्यप्रणाली (Methodology)
लेखक एक "बूटस्ट्रैप" दृष्टिकोण का उपयोग करते हैं जो एक-पैरामीटर अस्पष्टता ($\lambda$-CSDR) वाले क्रॉसिंग सिमेट्रिक डिस्पर्शन रिलेशंस (CSDR) का उपयोग करता है। एम्प्लीट्यूड को इसके काल्पनिक भाग (imaginary part) पर एक इंटीग्रल के रूप में व्यक्त किया जाता है, जिसे गेनडेर पॉलिनोमिअल्स (Gegenbauer polynomials) से जुड़े पार्शियल वेव्स में विभाजित किया गया है।

1. मशीन लर्निंग सेटअप (फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स - PINN):

   • उद्देश्य: मास-स्क्वेयर्ड स्पेक्ट्रम ($R_n$) और पार्शियल-वेव कोएफिशिएंट्स ($c^{(R_n)}_\ell$) को एक साथ सीखना।
   • आर्किटेक्चर: एक फुली-कनेक्टेड फीड-फॉरवर्ड न्यूरल नेटवर्क जिसमें 3 हिडन लेयर्स (साइज 128) हैं, जो स्पिन $\ell$ और मास लेवल $R_n$ को इनपुट के रूप में लेता है और आउटपुट के रूप में कोएफिशिएंट $c^{(R_n)}_\ell$ देता है।
   • बाधाएं (Constraints): लॉस फंक्शन निम्नलिखित को शामिल करता है:
     • यूनिटैरिटी (Unitarity): यह सुनिश्चित करने के लिए कि $c^{(R_n)}_\ell \geq 0$ हो, सॉफ्टप्लस (Softplus) एक्टिवेशन फंक्शन का उपयोग किया गया है।
     • विल्सन कोएफिशिएंट्स (Wilson Coefficients): वे बाधाएं जो लो-एनर्जी एक्सपेंशन कोएफिशिएंट्स ($W_{10}, W_{01}$) को ज्ञात ओपन स्ट्रिंग मानों ($-\zeta(3)$ और $7\zeta(4)/4$) से मेल खाने के लिए मजबूर करती हैं।
       • $\lambda$-स्वतंत्रता ($\lambda$-Independence): वे बाधाएं जो यह सुनिश्चित करती हैं कि एम्प्लीट्यूड एक सीड वैल्यू (जैसे, $\lambda = 14.6$) के आसपास अस्पष्टता पैरामीटर $\lambda$ से स्वतंत्र है, जो कि पूर्ण अनंत स्पेक्ट्रम द्वारा संतुष्ट होती है।
     • एंटैंगलमेंट मिनिमाइजेशन: लॉस फंक्शन में "एंटैंगलमेंट पावर" ($\Phi$) शामिल है, जिसे रेसिड्यूज़ (residues) द्वारा भारित स्पेक्ट्रम के योग के रूप में परिभाषित किया गया है, और इसे न्यूनतम किया जाता है।
   • ऑप्टिमाइज़ेशन: लेखक न्यूरल नेटवर्क के वेट्स के लिए एडम ऑप्टिमाइज़र (Adam optimizer) और $R_n$ मानों के लिए ग्रेडिएंट डिसेंट का उपयोग करते हैं। एक महत्वपूर्ण तकनीकी चुनौती यह सुनिश्चित करना था कि हाइपरजियोमेट्रिक फंक्शन्स (जो गेनडेर पॉलिनोमिअल्स में उपयोग किए जाते हैं) $R_n$ मानों के माध्यम से डिफरेंशिएशन करने के लिए पायटॉर्च (PyTorch) के autograd के साथ संगत हों; इसे हाइपरजियोमेट्रिक फंक्शन के ट्रंकेटेड सीरीज़ रिप्रेजेंटेशन का उपयोग करके प्राप्त किया गया था।

2. लीनियर प्रोग्रामिंग (SDPB):

   • एंटैंगलमेंट मिनिमाइजेशन के दावे को सत्यापित करने के लिए, लेखक ने सेमी-डेफिनिट प्रोग्रामिंग बूटस्ट्रैप (SDPB) पैकेज का उपयोग किया।
   • उन्होंने 100 रैंडम गैर-पूर्णांक मास स्पेक्ट्रा ($R_n$) सेट जेनरेट किए और $\Phi$ को विल्सन कोएफिशिएंट और $\lambda$-स्वतंत्रता बाधाओं के अधीन मिनिमाइज किया।

3. थ्री-चैनल विश्लेषण:

   • लेखक तीन-चैनल क्रॉसिंग सिमेट्रिक एम्प्लीट्यूड (जो क्लोज्ड स्ट्रिंग्स/विरासो-शapiro के लिए प्रासंगिक है) के विश्लेषण के लिए एक लोकल थ्री-चैनल $\lambda$-CSDR का उपयोग करते हैं ताकि विल्सन कोएफिशिएंट्स ($W_{10}, W_{01}$) के अनुमत स्थान (allowed space) को निर्धारित किया जा सके।

प्रमुख परिणाम

• स्पेक्ट्रम को सीखना:

  • मशीन लर्निंग एल्गोरिदम ने पार्शियल-वेव कोएफिशिएंट्स और मास लेवल्स को सफलतापूर्वक सीखा जो ओपन स्ट्रिंग स्पेक्ट्रम के करीब हैं, लेकिन केवल तभी जब पहले मास लेवल ($R_1$) को उसके पूर्णांक मान ($R_1=1$) पर फिक्स किया गया था।
  • महत्वपूर्ण निष्कर्ष: जब $R_1$ को फ्री छोड़ा गया, तो एल्गोरिदम ओपन स्ट्रिंग समाधान की ओर अभिसरित (converge) नहीं हुआ। जब $R_1$ (और कभी-कभी $R_2, R_3$) को फिक्स किया गया, तो शेष अनफिक्स्ड लेवल्स ($R_n$ $n>1$ के लिए) उन मानों की ओर ऑप्टिमाइज़ हुए जो लगभग पूर्णांकों के करीब थे लेकिन समान रूप से सटीक पूर्णांकों में अभिसरित नहीं हुए। कुछ लेवल्स पूर्णांकों के करीब पहुंचे, जबकि अन्य उनसे दूर चले गए। यह सुझाव देता है कि सीमित ट्रंकेशन ($N_{\text{max}}$) और विशिष्ट एन्सैबल (ansatz) के भीतर, पूर्णांक स्पेक्ट्रम को प्राथमिकता दी जाती है, लेकिन मास स्केल को फिक्स किए बिना इसे प्रथम सिद्धांतों (first principles) से विशिष्ट रूप से पुनः प्राप्त नहीं किया जा सकता है।

• एंटैंगलमेंट मिनिमाइजेशन:

  • लीनियर प्रोग्रामिंग परिणाम: परीक्षण किए गए 300 रैंडम गैर-पूर्णांक स्पेक्ट्रा में से, 187 ओपन स्ट्रिंग मान ($\Phi_{\text{string}} \approx 1.5997$) से सख्ती से अधिक $\Phi$ मान पर अभिसरित हुए। शेष 113 आवश्यक टॉलरेंस के भीतर बाधाओं को पूरा करने में विफल रहे।
  • निष्कर्ष: ओपन स्ट्रिंग पूर्णांक स्पेक्ट्रम सामान्य गैर-पूर्णांक स्पेक्ट्रा की तुलना में कम एंटैंगलमेंट उत्पन्न करता है, जो इस संदर्भ में एंटैंगलमेंट मिनिमाइजेशन सिद्धांत के लिए पुख्ता सबूत प्रदान करता है।

• थ्री-चैनल बाउंड्स:

  • थ्री-चैनल $\lambda$-CSDR का उपयोग करके, लेखक ने विल्सन कोएफिशिएंट्स पर एनालिटिक बाउंड्स निकाले: $W_{10} \leq 0$ और $0 < W_{01} \leq -\frac{3}{2}W_{10}$।
  • विरासो-शapiro एम्प्लीट्यूड को $(W_{10}, W_{01})$ स्पेस के अनुमत क्षेत्र के भीतर सफलतापूर्वक स्थित किया गया।
  • स्पिन-0 डोमिनेंस: लेखक ने प्रदर्शित किया कि अनुमत क्षेत्र की निचली सीमा "स्पिन-0 डोमिनेंस" द्वारा निर्धारित होती है, जहाँ डिस्पर्शन रिलेशंस में स्पिन-0 अवस्थाओं का योगदान उच्च-स्पिन योगदानों से अधिक होता है। यह क्रॉसिंग सिमेट्री को संतुष्ट करने के लिए अनंत उच्च द्रव्यमान और स्पिन के अस्तित्व को आवश्यक बनाता है।

• गैर-डुअल एम्प्लीट्यूड:

  • यह पेपर एक "नॉन-डुअल" एम्प्लीट्यूड (पिछले कार्य से "ब्लैक स्टार" एम्प्लीट्यूड) का विश्लेषण करता है जो डुअल रेजोनेंस मॉडल का उल्लंघन करता है।
  • इस एम्प्लीट्यूड का रेगेज ट्रेजेक्टोरी $s_1 \gg 1$ और $s_2 < 0$ के लिए लीनियर रेगेज व्यवहार ($\alpha(s) \sim s$) से पावर-लॉ व्यवहार ($s^0$) में संक्रमण प्रदर्शित करता है, जो कुछ QFT एम्प्लीट्यूड में देखे गए पोलचिंस्की-स्ट्रैस्लर (Polchinski-Strassler) प्रकार के संक्रमण के समान है।

महत्व और दावे
यह शोध पत्र यह दावा करता है कि वह "S-matrix बूटस्ट्रैप" कार्यक्रम को आगे बढ़ाता है, यह प्रदर्शित करते हुए कि फिक्स्ड स्पेक्ट्रम के लिए केवल कोएफिशिएंट्स के बजाय स्पेक्ट्रल डेटा (मास और कपलिंग्स) को एक साथ सीखने के लिए फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स का उपयोग करना व्यवहार्य है। लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण, जो $R_n$ मानों पर गैर-रेखीय निर्भरता को संभालने के लिए पायटॉर्च-संगत हाइपरजियोमेट्रिक फंक्शन्स का उपयोग करता है, एक नवीन तकनीकी योगदान है।

यह कार्य इस बात का संख्यात्मक प्रमाण प्रदान करता है कि ओपन स्ट्रिंग का पूर्णांक मास-स्क्वेयर्ड स्पेक्ट्रम विशेष है क्योंकि यह स्कैटरिंग में एंटैंगलमेंट जनरेशन को न्यूनतम करता है, जो कि सामान्य गैर-पूर्णांक स्पेक्ट्रा की विशेषता नहीं है। हालांकि, लेखक "प्रथम सिद्धांतों से सीखने" के पहलू के संबंध में विनम्र हैं: वे स्पष्ट रूप से कहते हैं कि उनका वर्तमान न्यूरल नेटवर्क आर्किटेक्चर मास स्केल सेट करने के लिए पहले पोल ($R_1$) को फिक्स किए बिना सटीक पूर्णांक स्पेक्ट्रम को पुनः प्राप्त करने में सक्षम नहीं था। वे सुझाव देते हैं कि बिना इसे फिक्स किए पूर्ण पूर्णांक स्पेक्ट्रम को पुनः प्राप्त करने के लिए अधिक परिष्कृत आर्किटेक्चर की आवश्यकता होगी।

अंततः, यह पेपर तीन-चैनल क्रॉसिंग सिमेट्रिक एम्प्लीटइड्स के लिए कठोर बाउंड्स स्थापित करता है और $(W_{10}, W_{01})$ स्पेस के भीतर विरासो-शapiro एम्प्लीट्यूड को स्थित करता है, जो अनुमत क्षेत्र की सीमाओं को स्पिन-0 डोमिनेंस के भौतिक सिद्धांत से जोड़ता है।