Machines Learn Number Fields, But How? The Case of Galois Groups

Technische Samenvatting: Machines Leren Getallichamen, Maar Hoe? Het Geval van Galoisgroepen

Probleemstelling
Het artikel behandelt de classificatie van Galoisgroepen voor Galoisuitbreidingen van de rationale getallen $\mathbb{Q}$ met graden 4, 6, 8, 9 en 10. Hoewel er klassieke methoden bestaan voor het bepalen van deze groepen (vaak via discriminanten, resolventen of specifieke polynomeigenschappen), onderzoeken de auteurs of de Galoisgroep uitsluitend kan worden bepaald op basis van een eindige verzameling coëfficiënten van de Dedekind-zetafunctie, $\zeta_K(s)$. Specifiek verkennen zij de relatie tussen de verdeling van zetacoëfficiënten $a_n(K)$ en de onderliggende structuur van de Galoisgroep. De centrale uitdaging is dat, hoewel machine learning (ML) modellen hoge nauwkeurigheid kunnen bereiken bij deze classificatietaken, hun beslissingslogica doorgaans ondoorzichtig is ("black-box"). De auteurs beogen deze logica te reverse-engineeren om strikte wiskundige criteria af te leiden.

Methodologie
De auteurs hanteren een paradigma van "machine learning-gedreven ontdekking":

1. Datageneratie: Zij maken gebruik van de LMFDB (L-functions and Modular Forms Database) database voor getallichamen, waarbij zij hun dataset beperken tot Galoisuitbreidingen met graden 4, 6, 8, 9 en 10. Kenmerken worden afgeleid uit twee bronnen:
   • Zeta-coëfficiënten: De eerste 1000 coëfficiënten ($a_n(K)$) van de Dedekind-zetafunctie.
   • Polynoomcoëfficiënten: Coëfficiënten van de genormaliseerde definiërende polynomen van de getallichamen.
2. Modeltraining: Zij trainen interpreteerbare machine learning-modellen, voornamelijk Beslissingsbomen en Logistische Regressie, met behulp van de scikit-learn bibliotheek.
   • Beslissingsbomen worden getraind met de Gini-criterium om de interpreteerbaarheid te maximaliseren, waardoor de auteurs de splitsingsregels kunnen inspecteren.
   • Logistische regressie wordt gebruikt om gewichten van kenmerken te analyseren, met name om te identificeren welke indices (bijvoorbeeld kwadraat- of kubusindices) de meeste voorspellende kracht dragen.
3. Interpretatie en Bewijs: De kernmethodologie bestaat uit het analyseren van de structuur van de getrainde modellen. Wanneer een model consistent splitst op specifieke zeta-coëfficiënten (bijvoorbeeld $a_{p^k}(K) = 0$), formuleren de auteurs wiskundige conjectures op basis van deze patronen. Zij gebruiken vervolgens klassieke algebraïsche getaltheorie—specifiek ramificatietheorie, decompositiegroepen, traagheidsgroepen en de stelling van Chebotarev—om deze conjectures strikt te bewijzen.

Belangrijkste Bijdragen en Resultaten

• Kwartische en Nonische Velden (Graden 4 en 9):

  • Observatie: Beslissingsbomen bereikten een bijna perfecte nauwkeurigheid (100%) door te splitsen op coëfficiënten met indices die perfecte machten zijn (kwadraten voor graad 4, kubussen voor graad 9).
  • Stelling: Voor een Galoisuitbreiding $K/\mathbb{Q}$ van graad $\ell^2$ (waarbij $\ell$ een priemgetal is), is de Galoisgroep cyclisch ($C_{\ell^2}$) dan en slechts dan als er een priemgetal $p$ bestaat zodat $a_{p^\ell}(K) = 0$. Omgekeerd, als de groep $C_\ell^2$ is, dan geldt $a_{p^\ell}(K) \neq 0$ voor alle priemgetallen $p$.
  • Bewijs: Dit berust op het analyseren van decompositietypes. Voor $C_\ell^2$-uitbreidingen kan de decompositiegroep niet cyclisch zijn van orde $\ell^2$ (wat $a_{p^\ell}=0$ zou vereisen) vanwege beperkingen op traagheid en Frobenius-acties in lokale velden.

• Sextische Velden (Graad 6):

  • Observatie: Het onderscheid tussen de cyclische groep $C_6$ en de symmetrische groep $S_3$ hangt af van de waarden van $a_{p^2}(K)$ en $a_{p^3}(K)$ ten opzichte van de congruentieklasse van $p \pmod 6$.
  • Resultaat: De auteurs bewijzen dat als $p \equiv 1 \pmod 6$ en $a_{p^2}(K) = 1$, de groep $C_6$ moet zijn. Als $p \equiv 5 \pmod 6$ en $a_{p^2}(K) = 1$, moet de groep $S_3$ zijn. Vergelijkbare criteria worden vastgesteld voor $a_{p^3}(K)$.
  • Mechanisme: Deze resultaten zijn afgeleid uit het feit dat $S_3$ bepaalde cyclische quotiënten of ondergroepen mist die nodig zijn voor specifieke decompositietypes (bijvoorbeeld totaal geramificeerde cyclische uitbreidingen van graad 3 of 6) wanneer $p$ aan specifieke congruenties voldoet.

• Decische Velden (Graad 10):

  • Observatie: Het onderscheid tussen de cyclische groep $C_{10}$ en de dihedrale groep $D_5$ berust op coëfficiënten geïndexeerd door kwadraten ($p^2$) en vijfde machten ($p^5$).
  • Resultaat: Er worden criteria vastgesteld waarbij het verdwijnen of specifieke waarden van $a_{p^2}(K)$ en $a_{p^5}(K)$, gecombineerd met $p \pmod{10}$, de Galoisgroep uniek bepalen. Bijvoorbeeld, $a_{p^5}(K)=1$ voor $p \neq 5$ impliceert een cyclische uitbreiding.

• Octische Velden (Graad 8):

  • Abelse Geval: De auteurs onderscheiden tussen $C_8$, $C_4 \times C_2$ en $C_2^3$. Zij bewijzen dat $a_{p^4}(K) = 0$ voor een zekere $p$ dan en slechts dan als de groep $C_8$ is. Bovendien geldt $a_{p^2}(K) \neq 0$ voor alle $p$ dan en slechts dan als de groep $C_2^3$ is.
  • Niet-Abelse Geval: Het onderscheid tussen $D_4$ en $Q_8$ bleek moeilijker via alleen zeta-coëfficiënten, aangezien de mogelijke decompositietypes voor een gegeven priemgetal identiek zijn voor beide groepen. Desondanks bereikten de beslissingsboommodellen nog steeds hoge nauwkeurigheid (98,67%) door subtiele statistische verschillen in de verdeling van kwadraat-geïndexeerde coëfficiënten te exploiteren, hoewel er voor dit specifieke paar geen eenvoudig "als-dan"-stelling werd afgeleid.
  • Abels versus Niet-Abels: Er wordt een duidelijk criterium geboden: als $a_{p^4}(K) = 0$, is de uitbreiding abels (specifiek $C_8$). Als $a_{p^4}(K)=1$ en $a_{p^2}(K)>0$ voor $p \equiv 3 \pmod 4$, is de uitbreiding niet-abels.

• Polynoomcoëfficiënten:

  • Hoewel beslissingsbomen goed presteerden met polynoomcoëfficiënten, waren de modellen complex en moeilijk te interpreteren. De auteurs merkten op dat de modellen vaak leunden op de grootte van de coëfficiënten (bijvoorbeeld hebben $C_6$-uitbreidingen veel grotere coëfficiënten dan $S_3$), maar zij hebben geen nieuwe stellingen afgeleid uit deze patronen, met de opmerking dat de normalisatie van polynomen in LMFDB deze verdelingen sterk beïnvloedt.

Betekenis en Aanspraken
Het artikel claimt een nieuw paradigma in wiskundig onderzoek te demonstreren waarbij machine learning niet slechts dient als voorspellend instrument, maar als generator van conjectures.

• Interpreteerbaarheid: Door interpreteerbare modellen (beslissingsbomen) te gebruiken, konden de auteurs de logica van de machine "reverse-engineeren" om precieze wiskundige uitspraken te vinden die voorheen onbekend of niet onderzocht waren in de literatuur.
• Strikt Bewijs: In tegenstelling tot veel ML-toepassingen in de wiskunde die stopten bij hoge nauwkeurigheid, voltooit dit werk de cyclus door de door de modellen gegenereerde conjectures te bewijzen met traditionele getaltheoretische bewijzen.
• Nieuwe Criteria: Het artikel biedt eenvoudige, nieuwe criteria voor het classificeren van Galoisgroepen op basis van zeta-coëfficiënten (bijvoorbeeld controleren of $a_{1000}(K) \leq 4$ cycliciteit impliceert voor nonische velden), die niet geformuleerd hadden kunnen worden zonder de initiële ML-analyse.
• Beperkingen: De auteurs zijn bescheiden over de reikwijdte, met de opmerking dat hoewel de aanpak goed werkt voor de bestudeerde specifieke graden, deze nog geen universeel algoritme biedt voor alle graden. Zij benadrukken ook dat voor niet-abelse octische groepen ($D_4$ versus $Q_8$), de ML-modellen statistische patronen vonden die niet direct vertaald konden worden naar een eenvoudig theoretisch criterium, wat suggereert dat sommige ML-inzichten statistisch en niet structureel kunnen blijven.

Het werk concludeert met de suggestie dat deze methodologie kan worden uitgebreid naar niet-Galois-uitbreidingen, hogere graden en andere basisvelden, wat potentieel kan leiden tot efficiëntere algoritmen voor het berekenen van Galoisgroepen.