Neural Spectral Bias and Conformal Correlators II: Modular and Annulus Bootstrap

기술 요약: 신경 스펙트럴 편향 및 컨포멀 상관함수 II – 모듈러 및 아뉴러스 부트스트랩

문제 정의
본 논문은 일관된 2차원 컨포멀 장론(CFT)의 공간에 대한 비섭동적 탐구를 다룬다. 전통적인 컨포멀 부트스트랩 방법론은 볼록 최적화 문제로서 교차 방정식(crossing equations)을 풀기 위해 유효한 스펙트럼과 연산자 곱 전개(OPE) 계수를 탐색하지만, 이 접근법은 유니타리성(unitarity)과 양의 조건(positivity)의 요구로 인해 제한적이다. 저자들은 교차 대칭 함수(crossing-symmetric functions)의 공간에서 직접 탐색하는 방식—CFT 데이터가 아닌—이 모듈러 불변성(modular invariance) 및 경계 일관성 조건(boundary consistency conditions)으로 확장될 수 있는지 조사한다. 구체적으로, 본 연구는 희소한 물리적 입력(sparse physical input)을 사용하여 토러스 분할 함수(모듈러 불변성에 의해 제약됨)와 아뉴러스 분할 함수(Cardy 일관성/개방-폐쇄 이중성에 의해 제약됨)의 재구성을 목표로 한다.

방법론
핵심 방법론은 분할 함수 제약 조건을 4점 상관함수의 교차 방정식으로 재정식화하여, 기존의 표준 상관함수[9, 10]를 위해 개발된 신경망(NN) 프레임워크를 적용할 수 있도록 한다.

1. 기하학적 재정식화:

   • 토러스(Torus): 토러스 분할 함수 $Z(\tau, \bar{\tau})$의 모듈러 $S$-불변성은 구면 위의 동일한 $\mathbb{Z}_2$ 트위스트 필드(twist fields)에 대한 4점 함수의 교차 대칭성으로 매핑된다. 복소 모듈러스 $\tau$는 모듈러 람다 함수를 통해 교차비(cross-ratio) $z$와 연결된다. 저자들은 대각 운동량(diagonal kinematics, $z = \bar{z}$, 순허수 $\tau$에 해당)에 집중하며, 이를 단일 변수 교차 방정식으로 축소한다:
     $$G(z) = \left(\frac{z}{1-z}\right)^{c/4} G(1-z)$$
   • 아뉴러스(Annulus): Cardy 조건(개방/폐쇄 채널 이중성)은 인터페이스 CFT 내 결함 변경 연산자(DCOs)의 혼합 4점 함수의 교차 대칭성으로 재정식화된다. 이는 개방 채널 분할 함수를 교차 방정식을 포함하는 $z$에 관한 폐쇄 채널 분할 함수와 연결한다.

2. 신경망 안사츠(Neural Network Ansatz):

   • 재구성 문제는 결정 불가능(under-determined)한데, 이는 많은 교차 대칭 함수가 존재하기 때문이다. 물리적인 해를 선택하기 위해, 저자들은 "레이지 트레이닝(lazy training)" 영역에서의 신경망의 "스펙트럴 편향(spectral bias)"을 활용한다.
   • 대상 함수는 알려진 프리팩터(universal kinematic singularities 및 descendant state 기여를 제거함)와 가벼운 피드포워드 신경망(두 개의 은닉층, 너비 64, GELU 활성화 함수를 가진 MLP)으로 매개변수화된 매끄러운 잔차 함수(smooth residual function)로 분해된다.
   • 앵커드 부트스트랩(Anchored Bootstrap): 훈련은 교차 대칭 항과 "앵커(anchor)" 항으로 구성된 손실 함수에 의해 유도된다. 앵커는 상관함수의 값을 단일 내부 지점 $z_0$(통상적으로 $z_0=0.3$)에 고정하며, 최소한의 스펙트럼 입력(가장 가벼운 진공 외 기본 상태의 갭 $\Delta_{\text{gap}}$)에 의해 보완된다.
   • 훈련: 네트워크는 StepLR 스케줄을 갖는 Adam 최적화 기법을 사용하여 훈련된다. 손실 함수는 교차 방정식과 앵커 제약으로부터의 편차를 최소화한다.

주요 기여

• 제약 조건의 통합: 본 논문은 모듈러 불변성과 Cardy 일관성이 4점 교차 대칭성의 언어 아래 통합될 수 있음을 입증하며, 이를 통해 신경 스펙트럴 편향을 사용하여 이러한 문제들을 해결할 수 있음을 보여준다.
• 분할 함수로의 확장: 본 연구는 로컬 상관함수에서 글로벌 분할 함수(토러스 및 아뉴러스)로 신경 부트스트랩 프레임워크를 확장하며, 이 방법이 컴팩트(compact) 및 논컴팩트(non-compact) CFT 모두에 작동함을 보여준다.
• 비유니타리성 및 논컴팩트성 처리: 본 프레임워크는 비유니타리 이론(예: Lee-Yang 모델) 및 논컴팩트 이론(예: 자유 논컴팩트 보존 및 리우빌 이론)을 성공적으로 재구성하며, 이는 전통적인 양의 조건 기반 부트스트랩 방법이 실패하는 영역이다.
• 아뉴러스 재구성: 두 채널의 스펙트럼이 서로 다르고 크기 차이가 매우 큰 혼합 시스템의 경우에도 개방 및 폐쇄 채널 상관함수를 동시에 재구성하는 새로운 방식을 제공한다.

결과
저자들은 다양한 CFT에 대해 광범서한 수치적 증거를 제시한다:

• 컴팩트 CFT: 이 방법은 2D Ising 모델, Lee-Yang 모델, 일반적인 ADE 계열 미니멀 모델(삼중 임계 Ising 및 3-state Potts 포함), 그리고 Wess-Zumino-Witten (WZW) 모델($\widehat{su}(2)_k$, $\widehat{su}(3)_1$)에 대한 토러스 분할 함수를 정확하게 재구성한다. 재구성 오차는 통상적으로 1% 미만이며, 예측값의 앙상블 평균은 정확한 해석적 결과와 밀접하게 일치한다.
• 아뉴러스 분할 함수: 본 접근법은 미니멀 모델 및 WZW 이론의 다양한 Cardy 경계 조건에 대한 아뉴러스 분할 함수를 성공적으로 재구성한다. 결과는 두 채널이 확연히 다름에도 불구하고 개방 및 폐쇄 채널 모두에서 높은 정확도를 보여준다.
• 논컴팩트 CFT: 이 방법은 자유 논컴팩트 보존 및 리우빌 이론의 분할 함수를 회복한다. $c=31.5$인 리우빌 이론의 경우, 작은 상관함수 값과 채널 간의 격차를 처리하기 위한 적절한 재매개변수화를 통해, 저자들은 NN이 수만 분의 1 수준의 정확도로 재구성을 달 수 있음을 입증한다.
• 스펙트럴 편향 관찰: 특정 사례(예: $\widehat{su}(2)_2$)에서 훈련 랜드스케이프는 이봉성(bimodality)을 보인다. 저자들은 정체(stagnation)로 인해 조기에 종료된 실행은 물리적 해로 수렴하는 경향이 있는 반면, 전체 에포크 예산을 모두 소모한 실행은 가짜(spurious) 해로 수렴할 수 있음을 관찰하였으며, 이는 물리적 상관함수를 선택하는 데 있어 조기 종료(early stopping)의 역할을 시사한다.

의의 및 주장
본 논문은 신경망이 고유한 스펙트럴 편향을 통해 모듈러 불변 및 교차 대칭 함수 공간을 탐색하는 강력하고 일반적인 운용 도구를 제공한다고 주장한다.

• 일반성: 전통적인 부트스트랩 방법과 달리, 이 접근법은 유니타리성이나 양의 조건에 의존하지 않으므로 비유니타리 및 논컴팩트 CFT를 포함한 더 넓은 범주의 이론에 적용 가능하다.
• 효율성: 이 방법은 극도로 희소한 데이터(단일 앵커 지점과 스펙트럼 갭)만으로 전체 분할 함수를 재구성할 수 있다.
• 새로운 패러다임: 본 연구는 부트스트랩 철학의 변화를 제안한다. 즉, 스펙트럼과 OPE 계수를 직접 찾는 대신, 일관성 조건을 만족하는 함수의 공간에서 직접 탐색할 수 있다.
• 한 한계: 저자들은 이 방법이 놀라운 정확도를 보여주지만, 현재로서는 엄격한 오차 범위를 제공하지 못한다는 점을 겸허히 언급한다. 또한, 논컴팩트 이론의 경우 큰 중심 전하(central charge)를 가질 때 대상 함수의 동적 범위(dynamic range)가 수치적 어려움을 초래할 수 있으며, 이를 위해 손실 함수 수정이나 리스케일링이 필요할 수 있음을 인정한다.

결론적으로, 본 논문은 이 신경망 접근법이 모듈러 부트스트랩과 양자 장론 관측량의 비섭동적 재구성을 향한 유망한 새로운 방향을 제시하며, 향-제너스(higher-genus) 분할 함수 및 고차 상관함수로의 잠재적 응용 가능성을 열어준다고 밝힌다.