Learning the open string spectrum with neural networks

技術要約：ニューラルネットワークを用いた開弦スペクトルの学習

問題提起
ツリーレベルの開超弦振幅は、線形レッジ・トラジェクトリ上に位置する正の整数からなる一意な質量平方スペクトルを有している。このスペクトルは、ヴェネツィアノ振幅から明示的に導かれる既知のものであるが、局所性、解析性、クロスシンメトリー（交差対称性）、およびユニタリティといった基礎的な物理原理によって、どの程度まで固定されているかは依然として研究対象となっている。さらに、近年の研究では、開弦のスペクトルは、一般的な非整数スペクトルと比較して、$2 \to 2$ 散乱において生成されるもつれ（エンタングルメント）を最小化することが示唆されている。本論文は、主に2つの問いに取り組む。(1) 整数質量平方スペクトルと部分波係数を、機械学習を用いて同時に学習することは可能か、また、その収束要件は何か。(2) 整数スペクトルは、確かに非整数の代替案と比較して、もつれ生成の最小値に対応しているのか。さらに、著者は3チャネルのクロスシンメトリー振幅に関する境界、および非双対（non-dual）振幅の挙動についても調査している。

手法
著者は、1つのパラメータの曖昧性を持つ $\lambda$-CSDR（$\lambda$-Crossing Symmetric Dispersion Relations）を用いた「ブートストラップ」アプローチを採用している。振幅は、ゲーエンバウアー多項式を用いた部分波に分解された、虚部に関する積分として表現される。

1. 機械学習の設定 (Physics-Informed Neural Networks - PINN):

   • 目的: 質量平方スペクトル ($R_n$) と部分波係数 ($c^{(R_n)}_\ell$) を同時に学習すること。
   • アーキテクチャ: 3層の隠れ層（サイズ128）を持つ全結合フィードフォワードニューラルネットワークを用い、スピン $\ell$ と質量レベル $R_n$ を入力として受け取り、部分波係数 $c^{(R_n)}_\ell$ を出力する。
   • 制約: 損失関数には以下が含まれる：
     • ユニタリティ: $c^{(R_n)}_\ell \geq 0$ を保証するために Softplus 活性化関数を適用。
     • ウィルソン係数: 低エネルギー展開係数 ($W_{10}, W_{01}$) を既知の開弦の値（$-\zeta(3)$ および $7\zeta(4)/4$）に一致させる制約。
     • $\lambda$-独立性: 振幅がシード値（例：$\lambda = 14.6$）の周囲で曖昧性パラメータ $\lambda$ に依存しないことを保証する制約（これは無限のスペクトルによって満たされる条件である）。
     • もつれ最小化: レジデュー（留数）によって重み付けされたスペクトルの和として定義される「エンタングルメント・パワー」($\Phi$) を含み、これを最小化する。
   • 最適化: ニューラルネットワークの重みには Adam オプティマイザを、$R_n$ の値には勾配降下法を使用する。重要な技術的課題は、超幾何関数（ゲーエンバウアー多項式に使用）が $R_n$ の値を通じた微分に対して PyTorch の autograd と互換性があるようにすることであった。これは、超幾何関数の打ち切り級数表現を用いることで解決された。

2. 線形計画法 (SDPB):

   • もつれ最小化の主張を検証するため、著者は半定値計画法用パッケージである SDPB を使用した。
   • 100組のランダムな非整数質量スペクトル ($R_n$) を生成し、同一のウィルソン係数および $\lambda$-独立性の制約の下で $\Phi$ を最小化した。

3. 3チャネル解析:

   • 著者は、3チャネルのクロスシンメトリー振幅（閉弦に関連するヴィラソロ・シャピロ振幅に相当）へと解析を拡張し、許容されるウィルソン係数 ($W_{10}, W_{01}$) の空間を切り出すために、ローカルな3チャネル $\lambda$-CSDR を用いた。

主な結果

• スペクトルの学習:

  • 機械学習アルゴリズムは、部分波係数と質量レベルを近似的な開弦スペクトルへと学習することに成功したが、それは最初の質量レベル ($R_1$) をその整数値 ($R_1=1$) に固定した場合にのみであった。
  • 重要な知見: アルゴリズムは、$R_1$ を自由変数とした場合、開弦の解へと収束しなかった。$R_1$（および時には $R_2, R_3$）を固定した場合、残りの未固定レベル（$n > 1$ の $R_n$）は、近似的に整数に近い値へと最適化されたが、一様に厳密な整数へと収束することはなかった。一部のレベルは整数に近づいたが、他のレベルは整数から遠ざかった。これは、有限の打ち切り ($N_{\text{max}}$) および特定のアンザッツ（仮定）の範囲内では、整数スペクトルは好まれるものの、質量スケールを固定せずに第一原理から一意に回収されるわけではないことを示唆している。

• もつれ最小化:

  • 線形計画法の結果: テストした300組のランダムな非整数スペクトルのうち、187組が、開弦の値 ($\Phi_{\text{string}} \approx 1.5997$) よりも厳密に高い $\Phi$ 値へと収束した。残りの113組は、要求される許容誤差内で制約を満たすことができなかった。
  • 結論: 開弦の整数スペクトルは、一般的な非整数スペクトルよりも低いもつれを生成する。これは、この文脈におけるもつれ最小化原理を裏付ける強力な証拠を提供している。

• 3チャネル境界:

  • 3チャネル $\lambda$-CSDR を用いて、ウィルソン係数に関する解析的な境界 $W_{10} \leq 0$ および $0 < W_{01} \leq -\frac{3}{2}W_{10}$ を導出した。
  • ヴィラソロ・シャピロ振幅は、$(W_{10}, W_{01})$ 空間の許容領域内に位置付けられた。
  • スピン0の支配: 著者は、許容領域の下限が「スピン0の支配」によって決定されることを示した。すなわち、スピン0の状態による分散関係への寄与が、高スピンの寄与を上回る状態である。これは、クロスシンメトリーを満たすために無限の高質量・高スピンの存在を必要とする。

• 非双対振幅:

  • 本論文では、「非双対（Non-dual）」振幅（以前の研究における「ブラックスター」振幅）を分析している。これは双対共鳴モデルを破綻させるものである。
  • この振幅のレッジ・トラジェクトリは、$s_1 \gg 1$ かつ $s_2 < 0$ の領域において、線形レッジ挙動 ($\alpha(s) \sim s$) から冪乗則挙動 ($s^0$) への遷移を示しており、これは特定の QFT 振幅で見られる Polchinski-Strassler 型の遷移に類似している。

意義と主張
本論文は、固定されたスペクトルの係数だけでなく、スペクトルデータ（質量および結合定数）を同時に学習するために、物理情報に基づいたニューラルネットワーク（PINN）を用いることの実現可能性を示すことで、「S行列ブートストラップ」プログラムを進展させたと主張している。著者は、非線形な質量レベルへの依存性を扱うために PyTorch 互換の超幾何関数を利用したアプローチが、技術的な新規貢献であることを強調している。

著者は、自身の現在のニューラルネットワーク・アーキテクチャは、（質量スケールを設定するための）最初の極 ($R_1$) を固定することなしには、厳密な整数スペクトルを回収できなかったことを明記しており、自らの成果に対して謙虚な姿勢を見せている。完全な整数スペクトルを固定なしに回収するには、より洗練されたアーキテクチャが必要であると示唆している。

最後に、本論文は3チャネルのクロスシンメトリー振幅に対する厳密な境界を確立し、ヴィラソロ・シャピロ振幅をその空間内に位置付け、許容領域の境界がスピン0の支配という物理的原理に結びついていることを示した。