技術要約：ニューラル・ボルツマン方程式 (Neural Boltzmann Equations)

問題提起

初期宇宙における粒子のダイナミクスは、膨張する時空における相互作用する粒子分布の進化を記述するボルツマン方程式によって支配されている。これらの方程式を解くことは、有効相対論的ニュートリノ自由度（$N_{\text{eff}}$）のような観測量を精密に計算する上で極めて重要である。しかし、既存のソルバーには以下のような重大な限界がある：

1. スケーラビリティ（拡張性）: 古典的な手法は、運動量離散化（固定グリッド）および求積法（クアドラチャ）に依存している。これらの手法は、粒子数、フレーバー成分、または運動量点の数が増加するにつれて、スケーラビリティが著しく低下する。
2. 複雑性: 高次元の位相空間積分（例：$2 \to 3$ またはそれ以上の多重度プロセス）は、標準的な求積法では評価が極めて困難になる。
3. パラメータ・スキャン: 従来のソルバーは、新しいパラメータの組み合わせ（例：質量や結合定数の変化）ごとにシステム全体を解き直す必要があり、包括的なパラメータ・スキャンは計算量的に煩雑であり、しばしば実行不可能となる。
4. 硬直性: 既存のソルラーは、プロセス固有の解析的な簡約や、位相空間分布の形式に関する仮定に依存することが多く、新しい粒子やプロセスを導入する際の柔軟性に欠ける。

手法：ニューラル・ボルツマン方程式 (NBEs)

著者らは、固定された運動量グリッドや広範なプロセス固有の仮定に頼ることなく、これらの制限を克服するために、3つの結合された概念を組み合わせたフレームワークである「ニューラル・ボルツマン方程式（NBEs）」を提案する。

1. ニューラル分布関数

運動量空間を離散化する代わりに、分布関数 $f(y)$ は物理学に基づいたアンザッツ（仮定）を用いてパラメータ化される。

• 分解: 分布は、スケールを設定するスカラー不変密度 $\eta$ と、運動量分布を符号化する正規化された密度 $p(y)$ に分解される。
• パラメータ化: 正規化された密度は、$M$ 個のガンマ分布の混合としてモデル化され、再スケーリングされた運動エネルギー $\epsilon$ に依存する。この形式は、ボース・アインシュタイン分布およびフェルミ・ディラック分布を任意の精度で表現できる。
• 条件付け: 分布関数のパラメータ（$\omega$）は、理論変数 $\xi$（例：質量、結合定数）に条件付けられたニューラルネットワークによって予測される。これにより、単一の学習済みモデルがパラメータ空間にわたる一連の解を表現することができ、効率的なパラメータ・スキャンが可能となる。
• フェルミオン: パウリの排他原理（$f \le 1$）を強制するために、フェルミオンの分布は、制約のないボソン分布 $f_0$ を用いて $f = f_0 / (1+f_0)$ として構成される。

2. モンテカルロ衝突積分

衝突演算子 $C_a[f]$ は、高次元の位相空間積分を伴うが、これは求積法ではなくモンテカルロ（MC）法を用いて評価される。

• 重要度サンプリング: 本フレームワークは、高エネルギー物理学のイベント生成器で開発された重要度サンプリング技術を利用する。
• 位相空間マッピング: 保存則を満たす有効な運動量構成へと単位超立方体の変数を変換するために、MadSpace マッピングを採用している。
• ニューラル重要度サンプリング: 提案分布は、観測された運動量および理論パラメータに条件付けられた正規化流（MadNIS）を用いてさらに精緻化される。これにより、標準的な MC 法と比較して、積分の推定値の分散が大幅に減少する。

3. 自然勾配法による学習

システムは自然勾配法を用いて時間発展し、これは標準的な勾配降下法よりも効率的な最適化のために、関数空間の幾何学を利用する。

• 不動点反復: ボルツマン方程式は時間方向に離散化され、不動点反復スキームを通じて解かれる。
• 学習目的関数: ニューラル分布関数のパラメータは、予測される進化と、衝突演算子から導出されたターゲットとの間の残差を最小化するように更新される。
• 効率性: 自然勾配法はニューラル・アンザッツの曲率を考慮するため、Adam ベースのオプティマイザよりもはるかに少ない反復回数で高精度（残差 $\sim 10^{-6}$）への収束を実現する。

主な貢献

1. フレームワークの導入: 固定グリッド型のボルツマン・ソルバーに代わる、柔軟でスケーラブルな選択肢として、解析的な簡約を必要とせずに複雑な多重度プロセスを扱える NBEs を提案した。
2. 効率性の向上: 分布関数のサンプリング、MadSpace マッピング、およびニューラル重要度サンプリングの組み合わせにより、NBE の重要度サンプリングが、従来のモンテカルロベースのソルバー（例：BEST）よりも約1000倍効率的であることを示した。
3. パラメータ・スキャンの能力: ニューラル分布関数を理論パラメータに条件付けることで、単一の学習によってフル・パラメータ・スキャンを実行できる能力を実現した。これは従来のソルバーでは極めて困難なタスクである。
4. 精密計算: 標準模型における $N_{\text{eff}}$ の高精度な計算を行い、確立された文献結果との整合性を検証した。

結果

論文では、以下のベンチマークを通じて NBE フレームワークを検証している：

• 詳細釣合い (Detailed Balance): 本フレームワークは、質量を持つ粒子および質量の無い粒子の両方について、ボース・アインシュタインおよびフェルミ・ディラック平衡分布を $10^{-6}$ の相対精度で学習することに成功した。自然勾配学習は、$10^4$ 回の反復後も $10^{-4}$ で停滞する Adam オプティマイザに対し、約10回の反復でこの精度に収束した。
• 熱化 (Thermalization): $2 \leftrightarrow 2$ および $2 \leftrightarrow 3$ の散乱プロセスを含む熱化問題を解いた。衝突演算子の評価において、NBE の運動量平均相対不確かさ（$\bar{\sigma}$）は $0.45\%$ であり、BEST ソルバーの $9.2\%$ と比較して改善された。ニューラル重要度サンプリング（NBE+MadNIS）を用いることで、この値は $0.27\%$ まで低下した。
• 結合定数の条件付け: 結合強度 $\lambda$ に条件付けられたシステムを成功裏に進化させた。結果は、時間を再スケーリングした際に、数密度およびエネルギー密度の進化が異なる結合強度間でも一貫していることを示し、モデルがパラメータ依存性を学習できることを確認した。
• ニュートリノのデカップリング ($N_{\text{eff}}$): $N_{\text{eff}}$ の精密計算を行い、文献値（例：フレーバー振動を含む $3.0439 \pm 0.0001$）と一致する結果を得た。
• 新物理のスキャン: 新物理モデル（ダークフォトンとスカラーを含む）に対して学習された単一の NBE が、2次元のパラメータ・スキャン（$m_\phi, r$）を成功裏に実行し、モデルの予測が実験的なテンション（$N_{\text{eff}} \approx 2.81$）と一致する質量窓を特定した。

意義と主張

本論文は、NBE が高次元のパラメータ空間や多重度プロセスを精密宇宙論の射程圏内に収めることで、初期宇宙の計算における新しいパラダイムを確立すると主張している。

• 精度: 複雑な非平衡系において、パーミル（千分率）単位の精度を達成する。
• 柔軟性: プロセス固有の解析的な簡約を不要とし、新しいプロセスの行列要素のみを必要とする。
• スケーラビリティ: 固定グリッドをニューラルなパラメータ化に、求積法を最適化されたモンテカルロに置き換えることで、従来は手に負えなかった問題へのスケーリングを可能にする。
• 有用性: 単一の学習済みモデルによるパラメータ・スキャンの能力は、理論宇宙論における主要なボトルネックを解消し、精密な観測量に対する新物理モデルの探索を促進する。

著者らは、NBE が完全な位相空間情報を保持しながら、初期宇宙における複雑な物理シナリオの効率的な探索を可能にする、精密かつ柔軟でスケーラブルなツールであると結論付けている。