⚛️ high-energy theory

Pre-Strings Lectures on Artificial Intelligence

Deze aantekeningen van de Pre-Strings 2026 school in Shanghai bieden een uitgebreid overzicht van de bidirectionele relatie tussen kunstmatige intelligentie en snaartheorie, waarbij de fundamenten van neurale netwerken vanuit een veldentheoretisch perspectief worden behandeld, de toepassing van neurale netwerken voor het definiëren en oplossen van veldentheorieën, en het gebruik van AI-technieken om onderzoek in de snaartheorie en aanverwante mathematische fysica te bevorderen.

Oorspronkelijke auteurs: James Halverson

Gepubliceerd 2026-07-07

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: James Halverson

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Een Driedaagse Workshop

Stel je een natuurkundige voor die een driedaagse workshop geeft aan studenten die de fundamentele bouwstenen van het universum bestuderen (snaartheorie). Het doel is om hen te leren hoe ze Kunstmatige Intelligentie (AI) kunnen gebruiken, niet alleen als een rekenmachine, maar als een nieuwe manier om over natuurkunde na te denken.

De lezingen zijn verdeeld in drie duidelijke dagen, bewegend van het begrijpen van de AI, naar het gebruiken van AI om natuurkunde te bouwen, en tot slot het gebruiken van AI om natuurkundige problemen op te lossen.

Dag 1: De AI-machine begrijpen

De Analogie: Het "Ensemble" van Dobbelsteenwerpers

Normaal gesproken, wanneer we aan een neuraal netwerk denken (het brein van moderne AI), denken we aan één specifiek computerprogramma. Maar de docent vraagt ons om anders te denken. Stel je voor dat je niet alleen één persoon hebt die dobbelstenen werpt, maar een heel stadion vol mensen die dobbelstenen werpen.

Expressiviteit (Hoe krachtig is het?): De lezing legt uit dat deze netwerken als een enorme Lego-set zijn. Met genoeg onderdelen (neuronen) en de juiste verbindingen kun je bijna elke vorm bouwen die je je kunt voorstellen. Er wordt verwezen naar een beroemde wiskundige regel (Universal Approximation) die stelt dat zelfs een eenvoudig netwerk complexe curven kan nabootsen. Ook worden "Transformers" geïntroduceerd (de technologie achter chatbots) als een manier om een verhaal woord voor woord te lezen, waarbij er aandacht wordt besteed aan hoe woorden met elkaar samenhangen, in plaats van ze alleen geïsoleerd te bekijken.
Statistiek (De mening van de menigte): In plaats van één netwerk te vragen wat het vindt, vragen we het hele stadion. Als je begint met willekeurige instellingen, volgt het "gemiddelde" antwoord van de hele menigte een zeer voorspelbaar patroon, zoals een klokvormige curve. In natuurkundige termen is dit als een "vrij veldtheorie" — een eenvoudige, rustige staat waarin alles onafhankelijk is.
Dynamica (Hoe het leert): Wanneer het netwerk leert, is dat als een wandelaar die een berg afdaalt om het laagste dal te vinden (het beste antwoord). De lezing legt uit dat als het netwerk enorm groot is, de wandelaar de berg nauwelijks beweegt; ze glijden gewoon een glad, vooraf bepaald pad af. Echter, als we het netwerk precies goed afstemmen, kan de wandelaar de berg daadwerkelijk van vorm veranderen (nieuwe kenmerken leren), en dat is hoe deep learning echt werkt.

Kerninzicht: AI is geen magie; het is een statistisch systeem. Als je naar een enorm netwerk kijkt als een menigte, volgt het gedrag dezelfde wiskundige regels als gassen of vloeistoffen in de natuurkunde.

Dag 2: AI gebruiken om Natuurkunde te Bouwen

De Analogie: Het "Reverse-Engineered Universum"

Op de tweede dag draait de docent het scenario om. In plaats van natuurkunde te gebruiken om AI te begrijpen, gebruiken ze AI om natuurkunde te creëren.

Het Concept: Stel je voor dat je een universum wilt bouwen. Normaal gesproken begin je met een regelboek (een vergelijking) en kijk je wat er gebeurt. Hier begin je met een neurale netwerkarchitectuur en een reeks willekeurige getallen (parameters). Je behandelt de output van het netwerk als het "veld" van jouw universum.
De Resultaten:
- Vrije Theorieën: Door het netwerk correct in te stellen, kunnen ze eenvoudige, niet-interagerende deeltjes recreëren (zoals een rustige zee).
- Interacterende Theorieën: Door de regels van het netwerk aan te passen, kunnen ze "interacties" creëren (zoals brekende golven). Ze hebben succesvol de Liouville-theorie (een complex 2D-universum) en de Bosonische Snaar (een model van trillende snaren) gerecreëerd.
- Het "Magische" Getal 26: Een van de grootste mysteries in de snaartheorie is waarom het universum 26 dimensies nodig heeft om wiskundig te werken. Met deze AI-aanpak heeft de docent het getal 26 afgeleid door simpelweg de "modi" of instellingen van het netwerk te tellen. Het is alsof je een geheime code ontdekt door de knoppen op een afstandsbediening te tellen.
- Topologische Defecten: Ze hebben zelfs laten zien hoe je "vortices" (draaikolken in een vloeistof) en faseovergangen (zoals bevriezend water) kunt creëren door speciale "discrete" schakelaars aan het netwerk toe te voegen.

Kerninzicht: Je hebt geen traditionele vergelijking nodig om een universum te definiëren. Je kunt een universum definiëren door de architectuur van een neuraal netwerk en de waarschijnlijkheid van zijn instellingen. Het blijkt dat AI een geldige manier is om de wetten van de natuurkunde te construeren.

Dag 3: AI als Onderzoeksassistent

De Analogie: De "Super-Stagiair"

De laatste dag gaat over praktische hulpmiddelen. De docent introduceert AI Agents.

Wat is een Agent? Stel je een zeer slimme stagiair voor die papers kan lezen, code kan schrijven, simulaties kan draaien, zijn eigen werk kan controleren en om hulp kan vragen als hij vastloopt. De agent beantwoordt niet alleen een vraag; de agent doet het werk.
De Toepassingen:
- Geometrie Oplossen: De snaartheorie vereist complexe vormen genaamd Calabi-Yau-variëteiten. We weten dat deze vormen bestaan, maar we kennen hun exacte "metriek" (hoe afstand op hen gemeten wordt) niet. De AI gebruikt een techniek genaamd "Physics-Informed Neural Networks" om de vorm te raden en corrigeert zichzelf vervolgens totdat de wiskunde perfect klopt.
- Zoeken in het Landschap: Er zijn miljarden mogelijke universa (vacua) in de snaartheorie. Het vinden van de een die op onze wereld lijkt, is als het zoeken naar een speld in een hooiberg. De AI gebruikt "Reinforcement Learning" (trial and error met beloningen) om veel sneller door deze hooiberg te navigeren dan een mens zou kunnen, en bedenkt zelfs nieuwe strategieën om de speld te vinden.
- Knopen Ontwarren: In de wiskunde is het moeilijk om te beslissen of een knoop eigenlijk gewoon een lus is (de "unknot"). De AI leerde knopen te ontwarren door een reeks zetten te leren, waardoor het effectief een wiskundig probleem oploste en een bewijs leverde dat een mens kan controleren.
- Conjectuur Generatie: De AI kan naar data kijken en patronen opmerken die mensen missen. Het kan een nieuwe wiskundige regel suggereren (een conjectuur), die een menselijke wiskundige vervolgens kan proberen te bewijzen.

Kerninzicht: AI-agents veranderen de workflow van de natuurkunde. Ze handelen het tedieuze "loodgieterswerk" af (coderen, controleren, zoeken), waardoor menselijke natuurkundigen zich kunnen concentreren op de grote ideeën en het "waarom".

Samenvatting

Dit artikel betoogt dat de relatie tussen AI en Natuurkunde een tweerichtingsverkeer is:

Natuurkunde verklaart AI: De wiskunde van neurale netwerken is verrassend vergelijkbaar met de wiskunde van kwantumvelden.
AI verklaart Natuurkunde: We kunnen neurale netwerken gebruiken om nieuwe natuurkundige theorieën te definiëren en problemen op te lossen die voorheen te moeilijk te berekenen waren.
AI helpt Natuurkundigen: Door gebruik te maken van "agents" die kunnen denken, handelen en verifiëren, wordt de drempel voor het doen van complex natuurkundig onderzoek verlaagd, waardoor het mogelijk wordt voor onderzoekers om sneller grotere vragen aan te pakken.

De docent concludeert dat we aan het begin staan van een nieuw tijdperk waarin AI niet alleen een hulpmiddel is, maar een partner in de ontdekking van hoe het universum werkt.

Technische Samenvatting: Pre-Strings Lezingen over Kunstmatige Intelligentie

Probleemstelling

Het artikel behandelt het snel evoluerende snijvlak van theoretische fysica (specifiek snaartheorie) en kunstmatige intelligentie. Het identificeert drie primaire hiaten:

Theoretisch Begrip: Een gebrek aan een verenigd veldentheoretisch kader om de expressiviteit, statistiek en dynamica van neurale netwerken (NN's) te begrijpen.
Nieuwe Formuleringen van Fysica: De behoefte aan een nieuwe benadering om veldentheorieën te definiëren en te berekenen zonder te vertrouwen op traditionele padintegralen of Lagrangians, wat potentieel nieuwe inzichten kan bieden in snaartheorie en kwantumveldentheorie (QFT).
Praktische Implementatie: De hoge drempel voor het toepassen van ML-technieken in de snaartheorie, die vaak worden vertraagd door "plumbing" (data-manipulatie, omgeving instellen, debuggen), en de behoefte aan interpreteerbare methoden die verder gaan dan black-box voorspelling naar het genereren van vermoedens en rigoureuze bewijzen.

De lezingen, gegeven tijdens de Pre-Strings 2026 school, beogen deze hiaten te overbruggen door een veldentheoretische lens op NN's te bieden, "Neural Network Field Theory" (NN-FT) te definiëren, en te demonstreren hoe moderne agentische AI-workflows onderzoek in de snaartheorie kunnen versnellen.

Methodologie

Het artikel is gestructureerd als een driedaagse reeks lezingen, progressief van fundamentele theorie naar geavanceerde toepassingen:

Dag 1: Essentie van Neurale Netwerken (Veldentheoretische Lens)

De auteur herformuleert standaard ML-concepten met behulp van natuurkundige terminologie:

Expressiviteit: Geanalyseerd via de Universele Approximatiestellingen (UAT) en de Kolmogorov-Arnold Representatiestelling. Deze laatste motiveert Kolmogorov-Arnold Netwerken (KANs), waarbij leerbare activatiefuncties op de randen (edges) in plaats van de knopen (nodes) zitten. De rol van Transformers en "chain-of-thought" redeneren wordt geframed als een uitbreiding van expressiviteit door tijd/token-diepte.
Statistiek: Ensemble-neurale netwerken bij initialisatie worden behandeld als statistische veldentheorieën. De Neural Network / Gaussian Process (NNGP) correspondentie wordt afgeleid via de Centrale Limietstelling (CLT) in de oneindige breedte-limiet ( $N \to \infty$ ), waarbij het netwerk wordt geïdentificeerd als een gegeneraliseerd vrij veld. Niet-Gaussiaanse effecten (interacties) ontstaan uit eindige- $N$ correcties ( $1/N$ ) of het verbreken van statistische onafhankelijkheid. Symmetrieën worden gerealiseerd door transformaties te absorberen in de parameterdichtheid.
Dynamica: Gradiëntafdaling wordt geanalyseerd via de Neural Tangent Kernel (NTK). In de oneindige breedte-limiet bevriest de NTK, wat leidt tot "luie" training waarbij features niet leren. Een schaalingsanalyse (volgend op Pehlevan en Bordelon) identificeert specifieke parametrisaties (bijv. $\mu P$ ) die niet-triviale feature-lering mogelijk maken in eindige tijd.

Dag 2: Neural Network Field Theory (NN-FT)

De logica wordt omgedraaid: een veldentheorie wordt niet gedefinieerd door een actie $S[\phi]$ , maar door een architectuur $\phi_\theta$ en een parameterdichtheid $P(\theta)$ .

Definitie: Een NN-FT is de data $(\phi_\theta, P(\theta))$ , waarbij de partitiefunctie wordt gedefinieerd als een integraal over parameters: $Z[J] = \int d\theta P(\theta) e^{\int J \phi_\theta}$ .
Engineering van Theorieën:
- Vrije Theorieën: Worden geconstrueerd door aan CLT-condities te voldoen en de twee-puntsfunctie (spectrum) vorm te geven via architectuurontwerp (bijv. "Scalar-net" reproduceert de vrije scalaire propagator).
- Interacties: Worden geïntroduceerd door de parameterdichtheid $P(\theta)$ te deformeren (bijv. het invoegen van een potentiaal $V(\phi)$ ) of door onafhankelijkheid te verbreken, in plaats van een actie te wijzigen.
- Kwantumaspecten: Worden gedefinieerd door te voldoen aan de Osterwalder-Schrader (OS) axioma's (Euclidische invariantie, reflectiepositiviteit, etc.) op de correlatoren.
Formalisme: Ward-identiteiten en anomalieën worden afgeleid via variabele-transformaties in de parameterruimte, wat leidt tot een "Master Identity" die de scorefunctie en de Jacobiaan van de flow betreft.

Dag 3: Toegepaste AI voor de Snaartheorie

Focus op praktische implementatie met behulp van moderne "agentische" workflows.

Agents: Redeneermodellen (LLM's met reinforcement learning) die kunnen plannen, code uitvoeren, literatuur doorzoeken en resultaten verifiëren. Deze agents verlagen de implementatiedrempel voor ML-voor-fysica.
Physics-Informed Neural Networks (PINNs): Gebruikt om de Monge-Ampère vergelijking op te lossen om Ricci-vlakke Calabi-Yau metrieken te benaderen, een probleem dat voorheen analytisch onhandelbaar was. De methode gebruikt een surrogate loss gebaseerd op de Monge-Ampère vergelijking in plaats van directe Ricci-tensor minimalisatie.
Reinforcement Learning (RL): Toegepast om de string-landschappen te doorzoeken (bijv. het vinden van consistente D-brane configuraties die voldoen aan tadpole-annulering en supersymmetrie) en om topologische problemen op te lossen (bijv. het ontknopen van knopen via braid-woord vereenvoudiging).
Vermoeden Generatie: Het gebruik van interpreteerbare modellen (beslissingsbomen, KANs, symbolische regressie) om patronen in data te identificeren, vermoedens te formuleren en rigoureuze bewijzen te sturen (bijv. in knopentheorie en F-theorie gauge groepen).

Belangrijkste Bijdragen en Resultaten

1. Theoretische Unificatie (NN-FT)

Het artikel stelt vast dat Neural Network Field Theory een valide en krachtig kader is voor het definiëren van veldentheorieën.

Universaliteit: Het bewijst dat elke waarschijnlijkheidsverdeling over getemperde distributies (inclusief Euclidische QFT's) een NN-FT beschrijving toelaat via Borel-isomorfisme.
Liouville Theorie: De auteurs construeren Liouville-theorie als een NN-FT waarbij alle interacties worden gedragen door een geconditioneerde zero-mode. Numerieke Monte Carlo in de parameterruimte reproduceert de DOZZ-structuurconstanten tot op enkele procenten nauwkeurig.
Bosonische Snaar: De gauge-gefixeerde wereldblad-theorie van de bosonische snaar wordt gerealiseerd als een oneindige-breedte NN-ensemble. De auteurs berekenen analytisch de Virasoro-Shapiro en Veneziano amplitudes direct in de parameterruimte, waarbij de standaardresultaten worden teruggevonden zonder een wereldblad-actie.
Kritieke Dimensie: Een nieuwe afleiding van de kritieke dimensie $D=26$ voor de bosonische snaar wordt gepresenteerd. Dit komt voort uit een mismatch in de modus-telling in de Jacobiaan van de parameter-ruimte flow onder Weyl-rescaling, in plaats van uit normal ordering of central charge annulering.
Topologische Transities: De Berezinskii-Kosterlitz-Thouless (BKT) transitie wordt gerealiseerd door discrete latente variabelen (vortices) in het NN-ensemble te introduceren, wat succesvol de universele sprong in stijfheid en vortex-proliferatie reproduceert.

2. Dynamica en Schaling

Het artikel verheldert de condities voor feature learning in diepe netwerken, waarbij de $\mu P$ parametrisatie wordt geïdentificeerd als de unieke oplossing die toestaat dat features evolueren in eindige tijd, in contrast met de "luie" NTK-regime.
Het stelt een hiërarchie van metriek-flows vast, waarbij Ricci flow wordt geïdentificeerd als een speciaal geval van een neurale netwerk metriek-flow in de oneindige-breedte, lokale, Perelman-loss limiet.

3. Toegepaste AI en Agentische Workflows

Calabi-Yau Metrieken: Het artikel demonstreert state-of-the-art numerieke berekeningen van Calabi-Yau metrieken met behulp van PINNs, wat de berekening van voorheen onbereikbare grootheden zoals Yukawa-koppelingen en Kaluza-Klein modi mogelijk maakt.
RL in String Landschappen: Een RL-agent wordt getoond in staat te zijn om consistente string-vacua te ontdekken tot 200 keer sneller dan een willekeurige zoektocht, en zelfs nieuwe strategieën (bijv. "filler branes") te verzinnen die voorheen niet door mensen waren gecodificeerd.
Rigoureuze Wiskunde: RL-agents worden gebruikt om mens-verifieerbare certificaten te produceren voor het ontknopen van knopen en om kandidaat-tegenvoorbeelden voor de gladde 4D Poincaré conjectuur te elimineren.
Vermoeden Generatie: Het artikel belicht succesvolle gevallen waarin ML nieuwe invarianten heeft geïdentificeerd (bijv. de "natuurlijke helling" in de knopentheorie) en conjecturen over F-theorie gauge groepen heeft bewezen.

Betekenis en Claims

Het artikel claimt dat de integratie van AI en fysica een nieuwe fase ingaat, gedreven door agentische redeneermodellen.

Verlaagde Drempels: De primaire betekenis van de "Dag 3" resultaten is dat agentische workflows de implementatiekosten van ML-voor-fysica technieken met een orde van grootte hebben verlaagd, waardoor onderzoekers zich kunnen richten op fysica in plaats van engineering.
Nieuwe Afleidingen: Het NN-FT kader biedt een "parameter-ruimte" perspectief dat nieuwe afleidingen van klassieke resultaten (bijv. $D=26$ , string amplitudes) oplevert en een rigoureuze probabilistische definitie van veldentheorieën biedt zonder een actie.
Van Voorspelling naar Begrip: Het artikel betoogt dat de toekomst van ML in de fysica niet alleen ligt in voorspelling, maar in vermoeden generatie en interpreteerbaarheid. Door agents te gebruiken om naar patronen te zoeken en mensen om deze te verifiëren en te bewijzen, kan het veld bewegen naar de ontdekking van nieuwe wiskundige structuren en natuurkundige wetten.
Bescheiden Omvang: De auteur merkt expliciet op dat hoewel agents de kosten van implementatie verlagen, zij de menselijke oordeelsvorming niet vervangen. De verantwoordelijkheid voor juistheid, smaak en de uiteindelijke verificatie van resultaten blijft bij de fysicus. De gepresenteerde resultaten zijn vaak "proofs of concept" of specifieke casestudies (bijv. Liouville-theorie, specifieke string amplitudes) in plaats van een volledige omverwerping van alle methoden in de snaartheorie.

Samenvattend stelt het artikel dat neurale netwerken niet slechts instrumenten zijn voor data-analyse, maar op zichzelf een nieuwe taal vormen voor het definiëren van veldentheorieën, en dat agentische AI de katalysator is die deze geavanceerde technieken toegankelijk en productief zal maken voor de bredere gemeenschap van de snaartheorie.