Nonperturbative functional renormalization group for Higgs-singlet models with physics-informed neural networks

Het universum zoals wij dat kennen is gebouwd op een fundament van deeltjes en krachten, een structuur die wordt beschreven door een theorie genaamd het Standaardmodel. Decennialang is deze theorie opmerkelijk succesvol geweest, waarbij zij het gedrag van materie met verbazingwekkende precisie heeft voorspeld en de ontdekking van het Higgs-boson heeft verklaard. Toch is het Standaardmodel, ondanks deze triomfen, incompleet. Het kan niet verklaren waarom het universum gevuld is met materie in plaats van een gelijke mix van materie en antimaterie, een mysterie dat bekend staat als de baryonische asymmetrie. Om dit op te lossen, kijken natuurkundigen vaak naar de allereerste momenten van het universum, specifiek naar een periode waarin de krachten van de natuur een dramatische verschuiving ondergingen. Als deze verschuiving abrupt gebeurde in plaats van geleidelijk, zou dit de omstandigheden kunnen hebben gecreëerd die nodig zijn om het overschot aan materie te genereren dat we vandaag de dag zien. Het bepalen of een dergelijke abrupte verschuiving heeft plaatsgevonden, vereist echter het berekenen van het energielandschap van het universum bij extreem hoge temperaturen, een taak die de grenzen van de traditionele wiskunde opzoekt.

In een recente studie heeft een onderzoeker aan de Zhejiang University deze moeilijke berekening aangepakt met behulp van een nieuwe benadering die geavanceerde fysica combineert met kunstmatige intelligentie. Het doel was om het "effectieve potentiaal" in kaart te brengen, een concept dat de energietoestand van de velden van het universum beschrijft terwijl deze afkoelden na de oerknal. Specifiek richtte de studie zich op een versie van het Standaardmodel die een extra, onzichtbaar deeltje bevat, een singlet genoemd. Dit extra deeltje is een populaire kandidaat voor het verklaren van donkere materie en zou potentieel de abrupte verschuiving kunnen triggeren die nodig is om de materie-antimaterie-onbalans te creëren. De uitdaging is dat de vergelijkingen die deze verschuiving beheersen ongelooflijk complex zijn, waarbij meerdere variabelen tegelijkertijd veranderen terwijl het universum afkoelt. Traditionele methoden voor het oplossen van deze vergelijkingen vertrouwen vaak op simplificerende aannames of het opdelen van het probleem in kleine, rigide roosters, wat subtiele maar cruciale details kan missen of er zelfs niet in kan slagen een oplossing te vinden.

Om deze hindernissen te overwinnen, ontwikkelde de onderzoeker een nieuw kader dat gebruikmaakt van een type kunstmatige intelligentie dat bekend staat als een physics-informed neural network. In plaats van de oplossing op een vast rooster af te dwingen, behandelt deze methode het energielandschap als een continu oppervlak, waardoor de computer de vorm van de oplossing direct kan leren van de onderliggende natuurwetten. Het neurale netwerk fungeert als een flexibele, mesh-vrije kaart die zich kan aanpassen aan de veranderende omstandigheden van het vroege universum zonder de vervormingen die gepaard gaan met rigide wiskundige roosters. Door dit netwerk te trainen om te voldoen aan de fundamentele vergelijkingen van de functionele renormalisatiegroep — een krachtig instrument dat bijhoudt hoe natuurwetten veranderen met de schaal — was de onderzoeker in staat om een gladde, continue beschrijving van het energiepoteuntiaal te generen over het gehele bereik van temperaturen en veldwaarden.

De studie paste deze methode toe op een specifiek scenario waarin het universum overgaat van een symmetrische staat naar een gebroken staat, een proces dat relevant is voor de elektroschwakke faseovergang. De onderzoeker testte het systeem bij twee verschillende temperaturen, 100 GeV en 200 GeV, en reconstrueerde ook een tweedimensionaal beeld van het energielandschap bij 100 GeV. De resultaten toonden aan dat het neurale netwerk succesvol de complexe stroom van de vergelijkingen kon navigeren, waarbij een gedetailleerd beeld gaf van hoe het potentiaal evolueert. De studie onthulde echter ook een significante beperking: de vergelijkingen zijn zo gevoelig dat het netwerk soms afweek naar wiskundig geldige maar fysisch zinloze oplossingen. Om dit te voorkomen, moest de onderzoeker een "soft constraint" introduceren, een leidende regel die de output van het netwerk dicht bij wat verwacht wordt van eenvoudigere, goed begrepen theorieën hield. Zelfs met deze begeleiding behield het eindresultaat een kleine afhankelijkheid van hoe deze regel werd afgesteld, wat aangeeft dat hoewel de methode werkt, het vinden van een volledig onafhankelijke manier om de juiste fysische oplossing te selecteren een openstaand vraagstuk blijft.

De onderzoekers vergeleken hun nieuwe neurale netwerkbenadering met twee andere methoden: een traditionele roostergebaseerde solver en standaard perturbatietheorie, wat een veelgebruikte benaderingstechniek is. De roostergebaseerde solver, die probeert de vergelijkingen op te lossen door stappen te zetten door een vast rooster van punten, had aanzienlijke problemen. In veel gevallen slaagde het er niet in een stabiele oplossing te vinden, of convergeerde het naar een resultaat dat er wiskundig correct uitzag maar fysisch onmogelijk was, zoals een potentiaal die naar onrealistische diepten daalde. Het neurale netwerk bood daarentegen een continue en stabiele beschrijving, waarbij de grillige artefacten en convergentiefouten van de rooster-methode werden vermeden. Toch merkte de studie er zorgvuldig bij op dat het neurale netwerk de oude methoden niet simpelweg verving; het vereiste dezelfde fysische begeleiding om op het juiste spoor te blijven. De vergelijking toonde aan dat hoewel het neurale netwerk het algemene gedrag van het systeem kon reproduceren, de precieze details nog steeds afhankelijk waren van de externe begeleiding die door de soft constraint werd geboden.

Dit werk vormt een bewijs van concept voor het gebruik van kunstmatige intelligentie om enkele van de moeilijkste vergelijkingen in de theoretische natuurkunde op te lossen. Het demonstreert dat neurale netwerken de meerdimensionale, niet-lineaire problemen kunnen aanpakken die ontstaan bij het bestuderen van het vroege universum, en biedt een flexibeler alternatief voor traditionele roostergebaseerde berekeningen. De studie bracht succesvol het energielandschap in kaart voor een model met een extra singlet-deeltje, waarbij werd getoond hoe het potentiaal verandert terwijl het universum afkoelt. Het benadrukte echter ook dat de methode nog geen volledig autonome solver is. De noodzaak van de soft constraint suggereert dat de vergelijkingen zelf ambiguïteiten bevatten die huidige wiskundige technieken niet uit zichzelf kunnen oplossen. De onderzoeker identificeerde deze afhankelijkheid van externe begeleiding als het centrale probleem dat in toekomstig werk moet worden opgelost.

Uiteindelijk biedt de studie een duidelijker, continu beeld van de omstandigheden die vereist zijn voor een sterke eerste-orde faseovergang in het vroege universum. Een dergelijke transitie is een noodzakelijk ingrediënt voor theorieën die de oorsprong van materie verklaren. Door aan te tonen dat een neuraal netwerk deze faseovergang succesvol kan modelleren, opent het onderzoek een nieuwe weg voor het verkennen van de fysica van het vroege universum. De bevindingen suggereren dat hoewel de instrumenten krachtiger worden, de complexiteit van de natuurwetten die het kosmos beheersen nog steeds een zorgvuldige balans vereist tussen computationele innovatie en gevestigde fysische principes. Het werk beweert niet het mysterie van de materie-antimaterie-asymmetrie te hebben opgelost, maar heeft een robuustere manier geboden om de modellen te testen die dit zouden kunnen verklaren, wat de weg vrijmaakt voor toekomstige onderzoeken naar de verborgen sectoren van de deeltjesfysica.