Machine Learning the Phase Structure and Algebraic Invariants of Clifford- and Grassmann-Valued Cellular Automata

Technische Samenvatting: Machine Learning van de Fasestructuur en Algebraïsche Invarianten van Clifford- en Grassmann-waardige Cellulaire Automata

Probleemstelling
Hoewel machine learning steeds vaker wordt toegepast op het ontdekken van wiskundige structuren in velden variërend van snaartheorie tot topologische invarianten, zijn Clifford- en Grassmann-algebra's grotendeels gebruikt binnen leerarchitecturen (bijv. als inductieve biases) in plaats van het object van studie zelf te zijn. Dit artikel adresseert het inverse probleem: Kan machine learning de onderliggende algebraïsche structuur (specifiek de genererende algebra en zijn metriek-signatuurklasse) terugwinnen uitsluitend uit de dynamische data gegenereerd door een systeem dat door die algebra wordt gedreven? De auteurs onderzoeken dit door multivector-waardige cellulaire automata (CA) te behandelen als generatoren van algebra-gelabelde dynamische data, waarbij zij de vraag stellen of het "vingerafdruk" van de algebra gecodeerd is in de faseovergangen en statistische observabelen van het systeem.

Methodologie
De studie construeert een familie van genormaliseerde multivector-waardige cellulaire automata op een eendimensionaal periodiek rooster ($N=96$).

• Dynamisch Systeem: De toestand op elke locatie $i$ is een multivector $X_i(t)$ behorend tot een van vijf algebra's: $Cl(2,0)$, $Cl(3,0)$, $Cl(1,2)$, $Cl(1,3)$ en de Grassmann-algebra $\Lambda(\mathbb{R}^3)$. De lokale update-regel is een genormaliseerde afbeelding die betrokkenheid bij geheugen, buur-diffusie, geometische product-niet-lineariteit, grade-involutie en pseudoscalaire chiraliteit-termen bevat, gecontroleerd door vijf parameters $(\alpha, \beta, \gamma, \delta, \eta)$.
• Observabelen: Om de dynamica verder te resolveren dan scalaire magnituden, introduceren de auteurs grade-geresolveerde observabelen. Deze omvatten grade-energiedichtheid, grade-entropie ($\bar{H}_{grade}$), een grade-menging-index ($C_{mix}$), gestabiliseerde Clifford-energie en perturbatie-groei-beschrijvers (effectieve Lyapunov-exponent $\lambda_{eff}$). Aanvullende metrieken zijn spectrale entropie, RQA-beschrijvers (Recurrence Quantification Analysis) en correlatielengtes.
• Fasedefinitie: Een regelgebaseerd classificatieschema wijst trajecten toe aan vijf fasen: Geordend, Periodiek, Beperkt (Constrained), Intermittent en Chaotisch, gebaseerd op drempelwaarden van de observabelen.
• Leerprotocol:
  • Ongesuperviseerd Leren: PCA, UMAP en Gaussian Mixture Models worden gebruikt om de faseorganisatie zonder labels te herstellen.
  • Gesuperviseerd Leren: Random Forests, Gradient Boosted Trees, SVM's en MLP's worden getraind om fasen te classificeren en, cruciaal, om de genererende algebra en zijn signatuurklasse (definiet, indefiniet, degenerat) te identificeren.
  • Blinde Controles: Om te voorkomen dat het leren triviaal de algebra-dimensie of metriek-definities exploiteert, hanteren de auteurs "werkelijk blinde" protocollen. Deze gebruiken descriptor-sets ($D_{Euc}$) die volledig in de Euclidische coëfficiëntruimte zijn berekend, waarbij alle descriptors die expliciet de algebra-dimensie ($n$) of de Clifford-metriek bevatten, zijn uitgesloten. Cross-validatie wordt uitgevoerd met folds die gegroepeerd zijn per parametercoördinaten om datalekken te voorkomen.
  • Conjectuur Formulering: Symbolische regressie en beslisbomen worden gebruikt om compacte wiskundige relaties en interpreteerbare surrogaten voor de fase-regels af te leiden.

Belangrijkste Bijdragen en Resultaten

1. Fasestructuur en Ordeparameters:

   • De studie brengt twee-parameter fase-diagrammen in kaart voor vijf algebra's, waarbij onderscheidende regimes van geordend, periodiek, beperkt, intermittent en chaotisch gedrag worden onthuld.
   • Grade-entropie en de effectieve Lyapunov-exponent worden geïdentificeerd als samenvallende ordeparameters; hun transitiecontouren komen overeen over alle algebra's, wat suggereert dat faseovergangen in deze systemen fundamenteel reorganisaties zijn van grade-inhoud in plaats van scalaire amplitude-veranderingen.
   • Cross-Algebra Vergelijking: De fase-diversiteit is niet monotoon met de algebra-dimensie. Terwijl definitieve en degeneratieve algebra's rijke fasestructuren vertonen, lijken indefiniete algebra's ($Cl(1,2)$ en $Cl(1,3)$) onder de standaard metriek-afhankelijke normalisatie bijna volledig chaotisch te zijn.

2. De Rol van Normalisatie:

   • Een cruciale bevinding is dat de instorting van indefiniete algebra's in chaos wordt gedreven door de interactie tussen de indefiniete binaire vorm en de normalisatiestap, en niet door de signatuur van het product zelf.
   • Onder een gemeenschappelijke Euclidische coëfficiënt-normalisatie herstellen de indefiniete algebra's een fase-diversiteit die vergelijkbaar is met die van definitieve algebra's. Dit geeft aan dat het "chaotische" gedrag van de indefiniete algebra's in de primaire analyse een artefact is van de stabilisatie nabij de nul-kegel (null cone), waar de pseudo-norm verdwijnt.

3. Herstel van Algebraïsche Invarianten (Kern van Experimentele Wiskunde):

   • Gesuperviseerd Herstel: Classifiers kunnen de genererende algebra en zijn metriek-signatuurklasse herstellen met een hoge nauwkeurigheid van de dynamische descriptors.
     • Gebruikmakend van een set die grade-componenten uitsluit ($D_{14}$), bereikt de nauwkeurigheid 95,8% voor algebra-identificatie en 97,3% voor signatuurclassificatie.
     • Onder een werkelijk blind protocol (gebruikmakend van slechts 8 descriptors in de Euclidische ruimte, waarbij dimensie en metriek informatie zijn uitgesloten), wordt de signatuurklasse hersteld met 87,2% nauwkeurigheid (kans 33%), en de algebra met 72,2% (kans 20%).
   • Transfereerbaarheid: Een classifier getraind op één paar algebra's (bijv. $Cl(2,0)$ vs. $Cl(1,2)$) is transfereerbaar naar een uit de training gehouden paar ($Cl(3,0)$ vs. $Cl(1,3)$) met een gebalanceerde nauwkeurigheid van 81–94%, wat aantoont dat de dynamica een leerbare, transfereerbare algebraïsche vingerafdruk draagt.
   • Controle bij Gelijke Dimensie: Zelfs wanneer beperkt tot drie algebra's met een identieke dimensie (8), blijven de signatuurklassen scheidbaar met 96,3% nauwkeurigheid, wat bewijst dat het signaal niet louter een functie is van de dimensie.

4. Geautomatiseerde Conjectuur Formulering:

   • Symbolische Regressie: Stelt een kandidaat-schaalrelatie voor voor het begin van chaos: $\lambda_{eff} \approx 0.41 H_{spec}^{3.33}$, die de eindige-tijd perturbatie-groei aan de spectrale entropie koppelt. De auteurs presenteren dit als een toetsbare conjectuur in plaats van een bewezen wet, waarbij zij opmerken dat de exponent varieert per algebra.
   • Interpreteerbare Surrogaten: Een beslisboom met drie diepteniveaus reproduceert de regelgebaseerde fase-labels met 98,3% getrouwheid, wat een menselijk leesbare logica biedt voor de fasegrenzen.

Betekenis en Claims
Dit artikel positioneert zich binnen het programma van de experimentele wiskunde, waarbij machine learning dient als een instrument voor het ontdekken van wiskundige structuren en het formuleren van conjecturen.

• Invers Probleem: De primaire claim is dat men "de signatuur van een Clifford-algebra kan horen van de trommel van zijn automaat." De dynamica gegenereerd door de algebra bevat voldoende informatie om de identiteit van de algebra en zijn metriek-signatuur te reconstrueren, zelfs wanneer de descriptors zijn gestript van expliciete algebraïsche definities.
• Methodologische Inzicht: Het werk demonstreert dat voor multivector-waardige systemen grade-geresolveerde statistieken de noodzakelijke ordeparameters zijn, aangezien scalaire observabelen falen om de fasestructuur te resolveren.
• Kanttekeningen en Bescheidenheid: De auteurs zijn expliciet over de beperkingen. De fase-labels zijn regelgebaseerde conventies, geen absolute fysieke waarheden. De symbolische relatie is een empirische regelmaat met een bescheiden voorspellende kracht ($R^2 \approx 0,66$) en algebra-afhankelijke exponenten. De studie is beperkt tot eendimensionale roosters en eindige tijdshorizonten, wat conclusies over kritische exponenten of thermodynamische limieten uitsluit. Het "null-cone mechanisme" voor de instabiliteit van indefiniete algebra's wordt aangeboden als een hypothese die consistent is met de controles, niet als een bewezen oorzaak.

Samenvattend stelt dit artikel multivector-waardige cellulaire automata vast als een hanteerbare zandbak waar machine learning erin slaagt om dynamische data te inverteren om algebraïsche invarianten te herstellen, mits de analyse de gegradeerde structuur van de onderliggende algebra respecteert en controleert op normalisatie-artefacten.