Notes on algebraic perspective on neural network conformal theories

Nel vasto panorama della fisica moderna, esiste uno sforzo persistente per comprendere come le regole fondamentali dell'universo emergano dal comportamento di innumerevoli minuscole componenti. Un modo potente con cui i fisici studiano queste regole è attraverso un quadro chiamato teoria di campo conforme, che descrive sistemi che appaiono uguali indipendentemente da quanto si ingrandisce o si rimpicciolisce. Queste teorie sono solitamente costruite sull'idea di uno "spazio di Hilbert", un palcoscenico matematico dove ogni possibile stato di un sistema ha una dimensione positiva e misurabile, proprio come un oggetto fisico ha una massa positiva. Questa positività è cruciale perché garantisce che la teoria abbia senso nel mondo reale, impedendo alle probabilità di diventare negative o assurde. Tuttavia, la natura a volte ci presenta sistemi che infrangono queste regole standard, portando a quelli che sono noti come teorie non unitarie. Per decenni, questi sistemi sono stati difficili da studiare perché gli strumenti matematici standard utilizzati per costruirli sarebbero crollati senza tale garanzia di dimensione positiva.

Recentemente, è stato costruito un nuovo ponte tra questo mondo astratto della fisica e il mondo pratico dell'intelligenza artificiale. I ricercatori hanno scoperto che se si prende una collezione molto vasta di semplici reti neurali — modelli informatici ispirati al cervello umano — e se ne media il comportamento, i pattern risultanti imitano il comportamento di queste teorie fisiche esotiche. Questa connessione, nota come corrispondenza tra rete neurale e teoria di campo, suggerisce che le proprietà statistiche dei parametri interni della rete neurale possano generare esattamente le stesse strutture matematiche di complessi campi quantistici. Ciò offre un modo nuovo e non tradizionale per studiare la fisica, che non si basa sulle solite equazioni del moto ma invece sulla statistica dei parametri della rete.

Un team di ricercatori ha ora esaminato più da vicino questa connessione, concentrandosi specificamente su una classe di queste teorie di reti neurali che producono teorie conformi non unitarie. Questi sono i sistemi complicati in cui le regole standard di positività falliscono e il palcoscenico matematico abituale per la teoria sembra scomparire. I ricercatori volevano comprendere la struttura sottostante di queste teorie: come le diverse parti del sistema si relazionano tra loro e se sia possibile costruire un quadro matematico coerente anche quando le regole standard di positività vengono infrante. Erano particolarmente interessati a un enigma emerso in lavori precedenti: mentre la teoria produceva pattern coerenti su come le particelle interagiscono, sembrava contenere un numero infinito di stati identici, o "degeneri", difficili da distinguere. Non era chiaro se questo fosse un difetto del modello o una caratteristica genuina della fisica.

Per risolvere questo problema, il team ha esaminato la "matrice di Gram" matematica, uno strumento che misura quanto diverse parti del sistema si sovrappongono l'una con l'altra. In una teoria standard, questa matrice deve essere definita positiva, il che significa che produce sempre numeri positivi, garantendo che gli stati siano distinti e ben definiti. I ricercatori hanno scoperto che, per le loro teorie di reti neurali, questa matrice è effettivamente definita positiva quando misurata nello spazio dei parametri della rete neurale. Ciò significa che, nel contesto della rete neurale stessa, ogni operatore è distinto e ben definito. Tuttavia, quando hanno osservato la teoria dalla prospettiva dello spazio e del tempo, la positività è svanita. Gli stati che erano distinti nello spazio dei parametri sono diventati mescolati e negativi nella descrizione dello spazio-tempo, confermando che si tratta effettivamente di teorie non unitarie che non possono essere descritte da uno spazio di Hilbert standard.

Il team ha poi costruito un nuovo quadro algebrico per descrivere queste teorie. Invece di fare affidamento sullo standard spazio di Hilbert, che richiede dimensioni positive per tutti gli stati, hanno costruito una struttura basata su uno "spazio di Krein". Questo è un palcoscenico matematico più flessibile che permette sia dimensioni positive che negative, purché siano bilanciate in un modo specifico. Hanno dimostrato che, anche senza la rigorosa positività di una teoria quantistica standard, le correlazioni tra diversi punti nello spazio e nel tempo rispettano comunque le simmetrie della teoria di campo conforme. Hanno dimostrato che l'infinito torre di operatori degeneri trovata in studi precedenti è probabilmente non un glitch artificiale ma una conseguenza naturale di come i parametri della rete neurale si mediano, una conclusione supportata da tendenze numeriche e congetturata per il limite infinito. I ricercatori hanno mostrato che questi operatori sono correlati tra loro in modo preciso, formando una struttura algebrica coerente che può essere descritta utilizzando le simmetrie del gruppo conforme, sebbene abbiano notato che provare la piena positività di Krein di questa struttura rimane un'ipotesi piuttosto che un fatto derivato.

Uno dei risultati più significativi è stata la risoluzione di un enigma riguardante le interazioni "miste". In studi precedenti, non era chiaro come calcolare l'interazione tra diversi tipi di operatori quando sono degeneri. Il team ha mostrato che il metodo standard di moltiplicare semplicemente gli operatori tra loro non funziona qui. Invece, il modo corretto di comprendere queste interazioni è vederle come un'espansione attorno a un insieme di operatori "radice", dove le connessioni tra diversi stati sono mediate dalla specifica distribuzione statistica dei parametri della rete neurale. Hanno scoperto che i vincoli sui momenti statistici dei parametri della rete neurale sono profondamente legati alla coerenza della teoria. Se la distribuzione dei parametri è scelta correttamente, la teoria rimane coerente, anche se manca della standard positività di uno spazio di Hilbert fisico.

I ricercatori hanno anche chiarito la distinzione tra l'"algebra dei campi" e l'"algebra dei correlatori". Nella costruzione della rete neurale, i campi stessi, prima della media, seguono una semplice regola di moltiplicazione. Tuttavia, una volta eseguita la media per ottenere le predizioni fisiche, le correlazioni risultanti rivelano una struttura molto più ricca e complessa. Questa struttura è definita dalla simmetria conforme e dal modo specifico in cui i parametri della rete neurale sono distribuiti. Il team ha mostrato che questa struttura algebrica è robusta e può essere definita senza bisogno di assumere l'esistenza di uno spazio di Hilbert standard. Invece, hanno utilizzato la corrispondenza stato-operatore, un principio fondamentale nella teoria di campo conforme, per definire direttamente l'algebra a partire dalle funzioni di correlazione.

Nella loro conclusione, gli autori hanno sottolineato che, sebbene queste teorie non rientrino nel quadro standard della teoria quantistica unitaria, non sono matematicamente rotte. Esse esistono come strutture algebriche valide che possono essere studiate e comprese. Il lavoro fornisce una ricetta per costruire l'algebra di queste teorie direttamente dalle loro funzioni di correlazione, bypassando la necessità di un tradizionale spazio di Hilbert. Questo apre la porta allo studio di una classe più ampia di sistemi fisici che erano precedentemente considerati troppo difficili da gestire. I ricercatori hanno notato che, sebbene abbiano stabilito l'esistenza di questa struttura algebrica, i dettagli completi di come questi sistemi si comportano in un senso locale dello spazio-tempo sono ancora in fase di esplorazione. Hanno suggerito che il limite large-N, dove il numero di reti neurali diventa molto grande, fornisce un contesto pulito per testare ulteriormente queste idee.

In definitiva, questo lavoro dimostra che gli strumenti dell'intelligenza artificiale possono essere utilizzati per costruire e analizzare complesse teorie fisiche che si trovano al di fuori dei confini standard della fisica. Trattando i parametri della rete neurale come ingredienti fondamentali, i ricercatori sono stati in grado di costruire una descrizione matematica coerente di teorie conformi non unitarie. Hanno dimostrato che l'apparente degenerazione e la mancanza di positività non sono errori ma caratteristiche di un nuovo tipo di teoria fisica che può essere descritta utilizzando uno spazio di Krein. Questa scoperta suggerisce che il panorama delle possibili teorie fisiche è più ampio di quanto precedentemente pensato, e che l'intersezione tra apprendimento automatico e fisica teorica offre un nuovo modo potente per esplorare le leggi fondamentali della natura. Lo studio conferma che, anche in assenza della standard positività, una struttura coerente e strutturata può emergere dalla statistica delle reti neurali, fornendo una nuova prospettiva su come le leggi fisiche possano essere codificate in sistemi complessi.