Generative Flow Networks in Covariant Loop Quantum Gravity

Stel je voor dat je het universum probeert te begrijpen, niet als een uitgestrekt, leeg podium waar gebeurtenissen zich afspelen, maar als één enkel, zelfvoorzienend object dat simpelweg bestaat. In het standaardverhaal van de oerknal begon het universum op een specifiek moment in de tijd, een punt van oneindige dichtheid waar de wetten van de fysica instorten. Dit creëert een puzzel voor natuurkundigen: als alles daar begon, wat waren dan de regels die die allereerste instantie bestuurden? Om te voorkomen dat men deze regels met de hand moet verzinnen, stellen sommige theoretici een "geen-grens"-idee voor. In dit visie heeft het universum geen rand of startpunt in de tijd, vergelijkbaar met hoe het oppervlak van een sfeer geen rand heeft, ook al is het eindig. Het is een gesloten vorm waarbij tijd en ruimte naar zichzelf terugbuigen, waardoor het universum soepel kan voortkomen uit een staat van "niets" naar het "iets" dat we vandaag de dag zien.

Om dit idee te testen, gebruiken wetenschappers een raamwerk genaamd spinfoam, dat het weefsel van de ruimtetijd niet behandelt als een glad laken, maar als een netwerk van kleine, onderling verbonden geometrische vormen. Deze vormen, specifiek een vierdimensionale versie van een piramide bekend als een 4-simplex, vertegenwoordigen de kleinste mogelijke bouwstenen van de geometrie van het universum. Het berekenen van hoe deze vormen overgaan van niets naar iets omvat het optellen van een onvoorstelbaar groot aantal mogelijkheden, een taak die zo complex is dat zelfs de snelste supercomputers ter wereld er moeite mee hebben. Traditioneel hebben onderzoekers een methode gebruikt genaamd Markov Chain Monte Carlo om deze mogelijkheden te verkennen. Deze techniek is als een geblinddoekte wandelaar die door een uitgestrekt, mistig landschap struikelt, waarbij hij kleine, willekeurige stappen zet om de hoogste pieken van waarschijnlijkheid te vinden. Hoewel dit in veel gevallen effectief is, kan deze wandelaar vast komen te zitten op één piek en andere missen die ver weg liggen, vooral wanneer het landschap ongelooflijk hoogdimensionaal en ruig is.

In een recente studie besloten een team van natuurkundigen van de University of Western Ontario, het Perimeter Institute en de University of Waterloo een andere aanpak te proberen. In plaats van een wandelaar die blind door de mist struikelt, gebruikten zij een nieuw type kunstmatige intelligentie dat bekend staat als Generative Flow Networks. In plaats van willekeurig rond te dwalen, is dit algoritme ontworpen om de vorm van het landschap te leren terwijl het beweegt, waarbij het een kaart bouwt van waar de belangrijke hoge punten zich bevinden. De onderzoekers pasten dit machine learning-instrument toe op de specifieke berekening van de "dihedrale hoek" binnen een enkele 4-simplex. Deze hoek beschrijft de kanteling tussen twee driehoekige vlakken van de geometrische vorm, wat een concrete maat geeft voor de lokale geometrie van het vroege universum. Door de resultaten van hun nieuwe AI-methode te vergelijken met de traditionele, wandelaar-achtige aanpak, wilden ze zien of dit intelligentere algoritme het complexe wiskundige terrein effectiever kon navigeren.

Het team stelde een digitale simulatie op waarbij de 4-simplex werd gerepresenteerd als een rooster van vijf onderling verbonden variabelen, die elk een bereik van waarden konden aannemen. Ze trainden het Generative Flow Network om dit rooster te verkennen, waarbij ze het leerden welke combinaties van waarden het meest waarschijnlijk zouden voorkomen volgens de wetten van de kwantumgravitatie. Het doel was om te zien of het netwerk de gemiddelde waarde van de dihedrale hoek nauwkeurig kon voorspellen, een belangrijke observeerbare grootheid die ons iets vertelt over de vorm van het universum op de kleinste schalen. Ze testten het algoritme met verschillende verschillende trainingsstrategieën, of "loss functions", wat in essentie verschillende manieren zijn om te meten hoe goed de AI de juiste patronen leert. Sommige strategieën richtten zich op het balanceren van de stroom van waarschijnlijkheid over het hele rooster, terwijl andere keken naar de balans van individuele stappen of de gehele reis van begin tot eind.

Toen de onderzoekers hun resultaten vergeleken, ontdekten ze een fascinerende afruil. De traditionele Markov Chain Monte Carlo-methode, de "wandelaar", was over het algemeen beter in het accuraat in kaart brengen van het gehele landschap, waarbij een lager algemeen foutpercentage over het hele rooster werd geproduceerd. Het verkende het terrein breed en zorgde ervoor dat geen enkel gebied ononderzocht bleef. Het Generative Flow Network gedroeg zich echter anders. Het was uitzonderlijk goed in het vinden van de specifieke, hoog-waarschijnlijke pieken die bijdragen aan het uiteindelijke antwoord. Wat betreft iteraties, of stappen, bereikte de AI de juiste waarde voor de dihedrale hoek sneller dan de traditionele methode. Deze efficiëntie kwam echter met een prijs: de AI vereiste aanzienlijk meer tijd en rekenkracht om in de eerste plaats te trainen. Eenmaal getraind, kon het samples snel genereren, maar de initiële investering in het leren van het landschap was substantieel.

De studie suggereert dat hoewel de nieuwe machine learning-methode nog geen vervanging is voor de gevestigde technieken in dit specifieke, relatief eenvoudige geval, het veelbelovend is voor moeilijkere problemen. De onderzoekers merkten op dat het landschap dat zij bestudeerden eigenlijk vrij glad en eenvoudig was, met pieken die dicht bij elkaar lagen. In een dergelijk geval werkt de traditionele wandelaar zeer goed. De ware kracht van het Generative Flow Network wordt verwacht te schitteren in veel complexere, hoogdimensionale landschappen waar de pieken geïsoleerd en ver uit elkaar liggen, een terrein waar de traditionele wandelaar vaak verdwaalt of vast komt te zitten. Het vermogen van de AI om de structuur van het landschap te leren en de locatie van verre pieken af te leiden zonder ze willekeurig te hoeven tegenkomen, zou een game-changer kunnen zijn voor toekomstige berekeningen in de kwantumgravitatie.

De auteurs waren voorzichtig genoeg om te wijzen op de beperkingen van hun huidige implementatie. De AI werd gedwongen om slechts in één richting te bewegen, beginnend vanaf nul en opbouwend, wat betekende dat het langere routes moest afleggen om het rooster te verkennen vergeleken met een methode die vrij kan springen. Ze suggereerden dat toekomstige versies van het algoritme de twee benaderingen zouden kunnen mengen, waarbij de AI wordt gebruikt om de algemene locatie van de belangrijke pieken te vinden en vervolgens de traditionele methode wordt gebruikt om de details te verfijnen zodra het gebied is gevonden. Ze merkten ook op dat hun simulaties een relatief klein aantal trainingscycli en netwerklagen gebruikten, wat betekent dat het volledige potentieel van de methode nog niet volledig is getest.

Uiteindelijk claimt dit werk niet het mysterie van de geboorte van het universum te hebben opgelost of het no-boundary-voorstel te hebben bewezen. In plaats daarvan biedt het een nieuw instrument voor de gereedschapskist. Door succesvol Generative Flow Networks toe te passen op een fundamenteel probleem in de kwantumgravitatie, hebben de onderzoekers aangetoond dat machine learning kan worden gebruikt om de abstracte geometrieën van de ruimtetijd te navigeren. De studie benadrukt dat hoewel de nieuwe methode momenteel duurder is in de opzet, het vermogen om zich te concentreren op de meest relevante delen van een complex probleem het een veelbelovende kandidaat maakt voor het aanpakken van de nog complexere berekeningen die vooruitkijken in de zoektocht naar hoe het universum ontstond uit het niets.