Generative Flow Networks in Covariant Loop Quantum Gravity

Immaginate di cercare di comprendere l'universo non come un vasto e vuoto palcoscenico dove si svolgono gli eventi, ma come un singolo oggetto autosufficiente che semplicemente esiste. Nella storia standard del Big Bang, l'universo è iniziato in un momento specifico nel tempo, un punto di densità infinita dove le leggi della fisica si interrompono. Questo crea un enigma per i fisici: se tutto è iniziato lì, quali erano le regole che governavano proprio quel primo istante? Per evitare di dover inventare queste regole a mano, alcuni teorici propongono un'idea di "assenza di confine" (no-boundary). In questa visione, l'universo non ha un bordo o un punto di inizio nel tempo, proprio come la superficie di una sfera non ha un bordo, sebbene sia finita. È una forma chiusa in cui il tempo e lo spazio si curvano su se stessi, permettendo all'universo di emergere fluidamente da uno stato di "nulla" nel "qualcosa" che vediamo oggi.

Per testare questa idea, gli scienziati utilizzano un quadro chiamato spin foam (schiuma di spin), che tratta il tessuto dello spaziotempo non come un foglio liscio, ma come una rete di minuscole forme geometriche interconnesse. Queste forme, specificamente una versione tetradimensionale di una piramide nota come 4-simplex, rappresentano i blocchi da costruzione più piccoli della geometria dell'universo. Calcolare come queste forme passino dal nulla al qualcosa comporta la somma di un numero inimmaginabile di possibilità, un compito così complesso che anche i supercomputer più veloti del mondo faticano a compierlo. Tradizionalmente, i ricercatori hanno utilizzato un metodo chiamato Markov Chain Monte Carlo per esplorare queste possibilità. Questa tecnica è simile a un escursionista bendato che inciampa attraverso un vasto paesaggio nebbioso, facendo piccoli passi casuali per trovare le vette più alte di probabilità. Sebbene sia efficace in molti casi, questo escursionista può rimanere bloccato su una vetta e perdere altre vette che si trovano lontano, specialmente quando il paesaggio è incredibilmente alto-dimensionale e accidentato.

In uno studio recente, un team di fisici della University of Western Ontario, del Perimeter Institute e della University of Waterloo ha deciso di provare un approccio diverso. Invece di un escursionista che inciampa nella nebbia, hanno impiegato un nuovo tipo di intelligenza artificiale noto come Generative Flow Networks (Reti di Flusso Generativo). Piuttosto che vagare casualmente, questo algoritmo è progettato per apprendere la forma del paesaggio mentre si muove, costruendo una mappa di dove si trovano i punti elevati più importanti. I ricercatori hanno applicato questo strumento di machine learning al problema specifico del calcolo dell' "angolo diedro" all'interno di un singolo 4-simplex. Questo angolo descrive l'inclinazione tra due facce triangolari della forma geometrica, offrendo una misura concreta della geometria locale dell'universo primordiale. Confrontando i risultati del loro nuovo metodo basato sull'IA con l'approccio tradizionale simile a quello dell'escursionista, miravano a vedere se questo algoritmo più intelligente potesse navigare il complesso terreno matematico in modo più efficace.

Il team ha predisposto una simulazione digitale in cui il 4-simplex era rappresentato come una griglia di cinque variabili interconnesse, ciascuna delle quali poteva assumere un intervallo di valori. Hanno addestrato la Generative Flow Network per esplorare questa griglia, insegnandole a riconoscere quali combinazioni di valori fossero più probabili secondo le leggi della gravità quantistica. L'obiettivo era vedere se la rete potesse prevedere accuratamente il valore medio dell'angolo diedro, un osservabile chiave che ci dice qualcosa sulla forma dell'universo alle sue scale più piccole. Hanno testato l'algoritmo utilizzando diverse diverse strategie di addestramento, o "funzioni di perdita" (loss functions), che sono essenzialmente diversi modi per misurare quanto bene l'IA stia apprendendo i pattern corretti. Alcune strategie si concentravano sul bilanciamento del flusso di probabilità attraverso l'intera griglia, mentre altre guardavano al bilanciamento dei singoli passi o all'intero percorso dalla partenza alla fine.

Quando i ricercatori hanno confrontato i risultati, hanno trovato un affascinante compromesso. Il metodo tradizionale Markov Chain Monte Carlo, l'"escursionista", era generalmente migliore nel mappare l'intero paesaggio in modo accurato, producendo un tasso di errore complessivo più basso in tutta la griglia. Esplorava il terreno in modo ampio, assicurandosi che nessuna area rimanesse inesaminata. La Generative Flow Network, tuttavia, si comportava diversamente. Era eccezionalmente brava a trovare le specifiche vette ad alta probabilità che contribuiscono alla risposta finale. In termini di iterazioni, o passi compiuti, l'IA ha raggiunto il valore corretto per l'angolo diedro più velocemente del metodo tradizionale. Tuttavia, questa efficienza comportava un costo: l'IA richiedeva significativamente più tempo e risorse computazionali per l'addestramento iniziale. Una volta addestrata, poteva generare campioni rapidamente, ma l'investimento iniziale nell'apprendimento del paesaggio era sostanziale.

Lo studio suggerisce che, sebbene il nuovo metodo di machine learning non sia ancora un sostituto delle tecniche consolidate in questo caso specifico e relativamente semplice, esso promette molto per problemi più difficili. I ricercatori hanno notato che il paesaggio studiato era in realtà piuttosto liscio e semplice, con vette vicine tra loro. In un caso del genere, l'escursionista tradizionale funziona molto bene. Il vero potere della Generative Flow Network dovrebbe brillare in paesaggi molto più complessi e ad alta dimensionalità, dove le vette sono isolate e lontane tra loro, un terreno dove l'escursionista tradizionale spesso si perde o rimane bloccato. La capacità dell'IA di apprendere la struttura del paesaggio e inferire la posizione di vette distanti senza doverle incontrare casualmente potrebbe essere una svolta per i futuri calcoli nella gravità quantistica.

Gli autori sono stati attenti a sottolineare che la loro implementazione attuale presentava dei limiti. L'IA era costretta a muoversi in una sola direzione, partendo da zero e costruendo verso l'alto, il che significava che doveva percorrere rotte più lunghe per esplorare la griglia rispetto a un metodo che poteva saltare liberamente. Hanno suggerito che le versioni future dell'algoritmo potrebbero mescolare i due approcci, usando l'IA per trovare la posizione generale delle vette importanti e poi usando il metodo tradizionale per perfezionare i dettagli una volta trovata l'area. Hanno anche notato che le loro simulazioni utilizzavano un numero relativamente piccolo di cicli di addestramento e strati di rete, il che significa che il pieno potenziale del metodo non era ancora stato testato.

In definitiva, questo lavoro non sostiene di aver risolto il mistero della nascita dell'universo o di aver dimostrato la proposta dell'assenza di confine. Offre invece un nuovo strumento per la cassetta degli attrezzi. Applicando con successo le Generative Flow Networks a un problema fondamentale della gravità quantistica, i ricercatori hanno dimostrato che il machine learning può essere utilizzato per navigare le geometrie astratte dello spaziotempo. Lo studio evidenzia che, sebbene il nuovo metodo sia attualmente più costoso da impostare, la sua capacità di concentrarsi sulle parti più rilevanti di un problema complesso lo rende un candidato convincente per affrontare i calcoli ancora più intricati che attendono nella ricerca di come l'universo sia emerso dal nulla.