⚛️ high-energy theory

Pre-Strings Lectures on Artificial Intelligence

上海で開催されたPre-Strings 2026スクールのこれらの講義ノートは、ニューラルネットワークの基礎から場理論的な視点による考察、場理論を定義し解くためのニューラルネットワークの応用、そして弦理論および関連する数理物理学の研究を推進するためのAI技術の活用に至るまで、人工知能と弦理論の間の双方向の関係を包括的に概観している。

原著者： James Halverson

公開日 2026-07-07

📖 1 分で読めます🧠 じっくり読む

CC BY 4.0

原著者： James Halverson

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ジム・ハルヴァーソン（Jim Halverson）による「プレ・ストリングス講義：人工知能（AI）」の解説。これは、日常的な言葉と比喩を用いて翻訳されたものです。

全体像：3日間のワークショップ

物理学者が、宇宙の構造そのもの（弦理論／ストリング理論）を研究する学生たちに向けて、3日間のワークショップを行っている場面を想像してください。目的は、AIを単なる計算機としてではなく、物理学を考えるための「新しい思考法」として使いこなす方法を教えることです。

講義は3つの明確な日に分かれており、「AIを理解すること」から始まり、「AIを使って物理学を構築すること」、そして最後に「AIを使って物理学の問題を解くこと」へと進んでいきます。

第1日：AIという機械を理解する

比喩：「ダイスを振る人々のアンサンブル（集団）」

通常、ニューラルネットワーク（現代のAIの脳）を考えるとき、私たちは特定のひとつのコンピュータプログラムを思い浮かべます。しかし、講師は異なる考え方を提示します。単に一人の人がダイスを振っているのではなく、スタジアム全体にダイスを振っている人々がいる様子を想像してみてください。

表現力（どれほど強力か？）： 講義では、これらのネットワークは巨大なレゴセットのようなものであると説明しています。十分な数のパーツ（ニューロン）と適切な接続があれば、想像できるほぼすべての形を作り出すことができます。また、単純なネットワークでも複雑な曲線を描き出せるという有名な数学的ルール（ユニバーサル近似定理）についても触れています。さらに、「トランスフォーマー」（チャットボットの背後にある技術）を紹介し、言葉を単独で見るのではなく、言葉同士の関係性に注意を払いながら、物語を一つ一つの単語ごとに読み解く方法について説明します。
統計学（群衆の意見）： 一つのネットワークに意見を聞くのではなく、スタジアム全体の意見を求めます。もしランダムな設定からスタートした場合、群衆全体の「平均的な」答えは、非常に予測可能なパターンに従います。これは、ベルカーブ（釣鐘型の曲線）のようなものです。物理学の用語で言えば、これは「自由場論」に似ています。つまり、すべてが独立している、シンプルで穏やかな状態のことです。
ダイナミクス（どのように学習するか）： ネットワークが学習するとき、それは最も低い谷（最良の答え）を見つけるために山を下るハイカーのようなものです。講義では、もしネットワークが巨大であれば、ハイカーは山をほとんど動かすことはできず、単に滑らかで既定の経路を滑り降りるだけであることを説明しています。しかし、ネットワークを適切に調整すれば、ハイカーは実際に山を形作ること（新しい特徴の学習）ができるようになります。これこそがディープラーニングの真髄です。

重要なポイント： AIは魔法ではありません。統計的なシステムです。巨大なネットワークを一つの「群衆」として捉えれば、その振る舞いはガスや流体の数学的ルールと同じに従います。

第2日：AIを使って物理学を構築する

比喩：「リバースエンジニアリングされた宇宙」

2日目、講師は視点を逆転させます。物理学を使ってAIを理解するのではなく、AIを使って「物理学を創り出す」のです。

コンセプト： あなたが宇宙を構築したいとします。通常、あなたはルールブック（方程式）から始めて、何が起こるかを見ます。ここでは、ニューラルネットワークのアーキテクチャと一連の乱数（パラメータ）からスタートします。そして、ネットワークの出力を、あなたの宇宙における「場（フィールド）」として扱います。
結果：
- 自由理論： ネットワークを正しく設定することで、相互作用のない単純な粒子（穏やかな海のようなもの）を再現できます。
- 相互作用理論： ネットワークのルールを微調整することで、「相互作用」（波が打ち寄せるような現象）を作り出すことができます。彼らは、複雑な2次元の宇宙である「リウヴィル理論」や、振動する弦のモデルである「ボゾン弦」の再現に成功しました。
- 「魔法の数字」26： 弦理論における最大の謎の一つは、なぜ数学的に機能するために宇宙に26次元が必要なのかということです。このAIアプローチを用いることで、講師はネットワークの「モード」や設定を数えるだけで、単にカウントすることによって「26」という数字を導き出しました。これは、リモコンのボタンの数を数えることで、秘密のコードを発見するようなものです。
- トポロジカル欠陥： さらに、ネットワークに特別な「離散的」なスイッチを加えることで、「渦（流体の渦巻き）」や相転移（水が凍るような現象）を作り出すことも示しました。

重要なポイント： 宇宙を定義するために、伝統的な方程式は必要ありません。ニューラルネットワークのアーキテクチャと、その設定の確率によって、宇宙を定義することができるのです。AIは、物理法則を構築するための有効な手段となります。

第3日：リサーチ・アシスタントとしてのAI

比喩：「超優秀なインターン」

最終日は、実践的なツールについてです。講師は「AIエージェント」を紹介します。

エージェントとは何か？： 論文を読み、コードを書き、シミュレーションを実行し、自分の仕事をチェックし、行き詰まったら助けを求めることができる、非常に賢いインターンを想像してください。それは単に質問に答えるだけでなく、実際に「仕事」を行います。
応用例：
- 幾何学の解決： 弦理論には「カラビ・ヤウ多様体」と呼ばれる複雑な形状が必要です。私たちはこれらの形状が存在することは知っていますが、その正確な「計量（メトリック）」（その上での距離の測り方）は分かっていません。AIは「物理情報に基づくニューラルネットワーク（PINNs）」という手法を用い、形状を推測し、数学的に完璧になるまで自己修正を行います。
  理
- ランドスケープの探索： 弦理論には、何十億もの可能性のある宇宙（真空）が存在します。私たちの世界に似たものを探すのは、干し草の山の中から一本の針を探すようなものです。AIは「強化学習（報酬を伴う試行錯誤）」を用いて、人間よりもはるかに速くこの干し草の山をナビゲートし、針を見つけるための新しい戦略さえも発明します。
- 結び目の解読： 数学において、ある結び目が単なるループ（アンノット）であるかどうかを判断するのは困難です。AIは、一連の動きを学習することで結び目を解くことを学び、数学の問題を解くと同時に、人間が検証可能な証明を提供しました。
- 予想の生成： AIはデータを見て、人間が見落としているパターンを特定できます。AIは新しい数学的ルール（予想）を提案することができ、その後、人間の数学者がそれを証明しようと試みることができます。

重要なポイント： AIエージェントは、物理学の研究フローを変えつつあります。彼らは「配管作業（コーディング、チェック、探索）」といった退屈な作業を担い、人間の物理学者が大きなアイデアや「なぜ」に集中できるようにしてくれます。

まとめ

この論文は、AIと物理学の関係が「双方向の道」であることを主張しています。

物理学がAIを説明する： ニューラルネットワークの数学は、驚くほど量子場の数学と似ています。
AIが物理学を説明する： ニューラルネットワークを用いて、新しい物理理論を定義したり、計算が困難すぎた問題を解決したりすることができます。
AIが物理学者を助ける： 考え、行動し、検証できる「エージェント」を使用することで、複雑な物理研究を行うための障壁が下がり、研究者がより大きな問いに、より速く取り組むことが可能になります。

講師は、私たちはAIが単なる道具ではなく、宇宙の仕組みを解明するための「パートナー」となる、新しい時代のまさに始まりに立っていると結論づけています。

技術要約：Pre-Strings レクチャー：人工知能について

問題提起

本論文は、理論物理学（特に弦理論）と人工知能の急速に進化する交差点を取り上げている。論文では、以下の3つの主要なギャップを特定している：

理論的理解： ニューラルネットワーク（NN）の表現力、統計、およびダイナミクスを理解するための、統一された場理論的枠組みの欠如。
物理学の新たな定式化： 従来の経路積分やラグランジアンに依存せずに場理論を定義・計算するための新しいアプローチの必要性。これは、弦理論や量子場理論（QFT）に新たな洞察を与える可能性がある。
実践的な実装： 弦理論への機械学習（ML）技術の適用における高い参入障壁（データの整理、環境構築、デバッグなどの「プラミング」作業に時間を取られること）と、ブラックボックス的な予測を超えて、予想の生成や厳密な証明へと移行するための解釈可能な手法の必要性。

Pre-Strings 2026 スクールで行われたこれらのレクチャーは、NNに対する場理論的なレンズを提供し、「ニューラルネットワーク場理論（NN-FT）」を定義し、現代のエージェンティックなAIワークフローがいかに弦理論の研究を加速させるかを実証することによって、これらのギャップを埋めることを目的としている。

方法論

本論文は、基礎理論から高度な応用へと進む、3日間のレクチャーシリーズとして構成されている。

第1日：ニューラルネットワークのエッセンス（場理論的レンズ）

著者は、標準的なMLの概念を物理学の用語を用いて再構成している：

表現力： 万能近似定理（UAT）およびコルモゴロフ・アーノルドド表現定理を通じて分析される。後者は、ノードではなくエッジ上に学習可能な活性化関数が配置されるコルモゴロフ・アーノルド・ネットワーク（KAN）を動機付ける。Transformerと「思考の連鎖（chain-of-thought）」の役割は、時間／トークン深度を通じた表現力の拡張としてフレーム化される。
統計： 初期状態におけるニューラルネットワークのアンサンブルは、統計場理論として扱われる。**ニューラルネットワーク／ガウス過程（NNGP）**の対応関係は、無限幅極限（ $N \to \infty$ ）における中心極限定理（CLT）を通じて導出され、ネットワークを一般化された自由場として特定する。非ガウス性は、有限の $N$ による補正（ $1/N$ ）または統計的独立性の破れから生じる。対称性は、パラメータ密度の中に変換を吸収することによって実現される。
ダイナミクス： 勾配降下法は、**ニューラルタンジェントカーネル（NTK）**を通じて分析される。無限幅極限において、NTKは凍結し、「怠惰な（lazy）」学習へと導く。これは特徴量が学習されない状態を意味する。PehlevanとBordelonに従ったスケーリング解析により、有限時間内に非自明な特徴学習を可能にする特定のパラメータ化（例： $\mu P$ ）を特定する。

第2日：ニューラルネットワーク場理論（NN-FT）

ここでは論理が逆転している。場理論は作用 $S[\phi]$ によってではなく、アーキテクチャ $\phi_\theta$ とパラメータ密度 $P(\theta)$ によって定義される。

定義： NN-FTとは、データ $(\phi_\theta, P(\theta))$ であり、分配関数はパラメータに関する積分として定義される： $Z[J] = \int d\theta P(\theta) e^{\int J \phi_\theta}$ 。
エンジニアリングされた理論：
- 自由理論： CLTの条件を満たし、アーキテクチャ設計（例：「Scalar-net」は自由スカラー伝搬関数を再現する）を通じて二点関数（スペクトル）を形成することによって構築される。
- 相互作用： パラメント密度 $P(\theta)$ を変形すること（例：ポテンシャル $V(\phi)$ の挿入）や、独立性を破ることによって導入される。これは作用を修正することではなく、パラメータ空間での操作である。
- 量子性： 相関関数におけるオースターヴァルダー＝シュラスター（OS）公理（ユークリッド不変性、反射正定値性など）を満たすことによって定義される。
形式論： ウォード恒等式とアノマリーは、パラメータ空間における変数変換を通じて導出され、スコア関数とフローのヤコビアンを含む「マスター恒等式」へと至る。

第3日：弦理論のための応用AI

現代の「エージェンティック（agentic）」なワークフローを用いた実践的な実装に焦点を当てる。

エージェント： コードの実行、文献検索、結果の検証を行うことができる、強化学習を備えた推論モデル（LLM）。これらの方策は、物理学のためのMLの実装障壁を下げる。
物理情報ニューラルネットワーク（PINNs）： 以前は解析的に困難であったリッチ平坦なカラビ・ヤウ計量を近似するために、モンジュ・アンペール方程式を解くために使用される。この手法は、直接的なリッチテンソル最小化ではなく、モンジュ・アンペール方程式に基づくサロゲート損失を使用する。
強化学習（RL）： 弦のランドスケープの探索（例：タドポール・キャンセルと超対称性を満たす一貫したDブレーン構成の発見）や、トポロジカルな問題（例：ブレイド語の簡略化による結び目の解き方）の解決に適用される。
予想の生成： 解釈可能なモデル（決定木、KAN、記号回帰）を用いてデータ内のパターンを特定し、予想を定式化し、厳密な証明（例：結び目理論やF理論のゲージ群における証明）を導く。

主な貢献と結果

1. 理論的統一（NN-FT）

本論文は、**ニューラルネットワーク場理論（NN-FT）**が、場理論を定義するための有効かつ強力な枠組みであることを確立している。

普遍性： 任意のテンパード分布（ユークリッドQFTを含む）は、ボレル同型写像を通じてNN-FTによる記述が可能であることを証明している。
リウヴィル理論： 著者らは、すべての相互作用が条件付けられたゼロモードによって担われるNN-FTとしてリウヴィル理論を構築した。パラメータ空間における数値モンテカルロ法は、DOZZ構造定数を数パーセント以内の誤差で再現している。
ボゾン弦： ボゾン弦のゲージ固定された世界面理論は、無限幅のNNアンサンブルとして実現される。著者らは、パラメータ空間から直接、ヴィラソロ・シャピロおよびヴェネツィアーノ振幅を解析的に計算し、世界面の作用を用いずに標準的な結果を回収した。
臨界次元： ボゾン弦の臨界次元 $D=26$ の新たな導出が提示されている。これは、正規順序化や中心電荷の相殺ではなく、ワイル共形スケーリング下でのパラメータ空間フローのヤコビアンにおけるモード計数の不一致から生じる。
トポロジカル転移： ベレジンスキー・コステリッツ・サウレス（BKT）転移は、NNアンサンブルに離散的な潜在変数（渦）を導入することによって実現され、剛性のユニバーサルな跳躍と渦の増殖を正常に再現している。

2. ダイナミクスとスケーリング

本論文は、深いネットワークにおける特徴学習の条件を明確にし、特徴が有限時間に進化することを可能にする唯一の解法として $\mu P$ パラメータ化を特定し、これを「怠惰な」NTK領域と対比させている。
メトリックフローの階層を確立し、リッチフローが、無限幅、局所的、かつPerelman損失の極限におけるニューラルネットワークのメトリックフローの特殊なケースであることを示している。

3. 応用AIとエージェンティック・ワークフロー

カラビ・ヤウ計量： 本論文は、PINNsを用いたカラビ・ヤウ計量の最先端の数値計算を実証しており、これにより、ユカワ結合やクラッルーザ・クライン・モードといった、以前はアクセス不可能であった量の計算が可能になる。
弦ランドスケープにおけるRL： RLエージェントは、ランダム探索よりも最大200倍速く一貫した弦の真空を発見し、人間によってこれまでコード化されていなかった新しい戦略（例：「フィラー・ブレーン」）を考案することが示されている。
厳密な数学： 結び目の解き方に関する人間が検証可能な証明書を作成したり、滑らかな4次元ポアンカレ予想に対する候補となる反例を排除したりするために、RLエージェントが使用されている。
予想の生成： MLが新しい不変量（例：結び目理論における「自然な傾斜」）を特定し、F理論のゲージ群に関する予想を証明した成功事例を強調している。

意義と主張

本論文は、AIと物理学の統合が、エージェンティックな推論モデルによって駆動される新しいフェーズに入っていると主張している。

障壁の低下： 「第3日」の結果の主な意義は、エージェンティックなワークフローが、物理学のためのML技術の実装コストを桁違いに下げ、研究者がエンジニアリングではなく物理学そのものに集中できるようにしたことにある。
新たな導出： NN-FTの枠組みは、パラメータ空間からの視点を提供し、古典的な結果（例： $D=26$ 、弦振幅）の新たな導出をもたらし、作用を持たない確率的な場理論の厳密な定義を提供する。
予測から理解へ： 論文は、物理学におけるMLの未来は単なる予測ではなく、予想の生成と解釈可能性にあると論じている。パターンを探索するためにエージェントを使用し、人間がそれを検証・証明することで、分野は新しい数学的構造や物理法則の発見へと向かうことができる。
限定的な範囲： 著者は、エージェントは実装コストを下げるものの、人間の判断を置き換えるものではないことを明記している。正しさ、センス、そして結果の最終的な検証に対する責任は、依然として物理学者にある。提示された結果は、多くの場合、完全な理論的刷新ではなく、あくまで「概念実証」や特定のケーススタディ（例：リウヴィル理論、特定の弦振幅）である。

要約すれば、本論文は、ニューラルネットワークは単なるデータ分析の道具ではなく、それ自体が場理論を定義するための新しい言語であり、エージェンティックなAIこそが、これらの高度な技術をより広範な弦理論コミュニティにとってアクセシブルで生産的なものにする触媒であると断じている。