Notes on algebraic perspective on neural network conformal theories

Na vasta paisagem da física moderna, há um esforço persistente para compreender como as regras fundamentais do universo emergem do comportamento de inúmeros componentes minúsculos. Uma forma poderosa pela qual os físicos estudam essas regras é através de uma estrutura chamada teoria de campo conforme, que descreve sistemas que parecem iguais independentemente de quanto você dê zoom para dentro ou para fora. Essas teorias são geralmente construídas sobre a ideia de um "espaço de Hilbert", um palco matemático onde cada estado possível de um sistema possui um tamanho positivo e mensurável, tal como um objeto físico possui uma massa positiva. Essa positividade é crucial porque garante que a teoria faça sentido no mundo real, impedindo que as probabilidades se tornem negativas ou sem sentido. No entanto, a natureza às vezes nos apresenta sistemas que quebram essas regras padrão, levando ao que são conhecidos como teorias não unitárias. Por décadas, esses sistemas foram difíceis de estudar porque as ferramentas matemáticas padrão usadas para construí-los colapsariam sem essa garantia de tamanho positivo.

Recentemente, uma nova ponte foi construída entre este mundo abstrato da física e o mundo prático da inteligência artificial. Pesquisadores descobriram que, se você pegar uma coleção muito grande de redes neurais simples — modelos computacionais inspirados no cérebro humano — e tirar a média de seu comportamento, os padrões resultantes mimetizam o comportamento dessas teorias físicas exóticas. Essa conexão, conhecida como a correspondência entre rede neural e teoria de campo, sugere que as propriedades estatísticas das configurações internas da rede neural podem gerar exatamente as mesmas estruturas matemáticas que campos quânticos complexos. Isso oferece uma maneira nova e não tradicional de estudar a física, que não depende das equações usuais de movimento, mas sim da estatística dos parâmetros da rede.

Uma equipe de pesquisadores examinou agora mais de perto essa conexão, focando especificamente em uma classe dessas teorias de redes neurais que produzem teorias de campo conforme não unitárias. Estas são os sistemas complicados onde as regras padrão de positividade falham e o palco matemático usual para a teoria parece desaparecer. Os pesquisadores queriam entender a estrutura subjacente dessas teorias: como as diferentes partes do sistema se relacionam entre si e se um arcabouço matemático consistente ainda poderia ser construído mesmo quando as regras padrão de positividade são quebradas. Eles estavam particularmente interessados em um enigma que surgiu em trabalhos anteriores: embora a teoria produzisse padrões consistentes de como as partículas interagem, ela parecia conter um número infinito de estados idênticos, ou "degenerados", que eram difíceis de distinguir. Não estava claro se isso era uma falha no modelo ou uma característica genuína da física.

Para resolver isso, a equipe examinou a "matriz de Gram" matemática, uma ferramenta que mede o quanto diferentes partes do sistema se sobrepõem umas às outras. Em uma teoria padrão, esta matriz deve ser positiva definida, o que significa que ela sempre produz números positivos, o que garante que os estados sejam distintos e bem comportados. Os pesquisadores descobriram que, para suas teorias de redes neurais, esta matriz é, de fato, positiva definida quando medida no espaço dos parâmetros da rede neural. Isso significa que, dentro do contexto da própria rede neural, cada operador é distinto e bem definido. No entanto, quando olharam para a teoria da perspectiva do espaço e do tempo, a positividade desapareceu. Os estados que eram distintos no espaço de parâmetros tornaram-se misturados e negativos na descrição do espaço-tempo, confirmando que estas são, de fato, teorias não unitárias que não podem ser descritas por um espaço de Hilbert padrão.

A equipe então construiu um novo arcabouço algébrico para descrever essas teorias. Em vez de depender do espaço de Hilbert padrão, que exige tamanhos positivos para todos os estados, eles construíram uma estrutura baseada em um "espaço de Krein". Este é um palco matemático mais flexível que permite tanto tamanhos positivos quanto negativos, desde que sejam equilibrados de uma maneira específica. Eles mostraram que, mesmo sem a positividade estrita de uma teoria quântica padrão, as correlações entre diferentes pontos no espaço e no tempo ainda obedecem às simetrias da teoria de campo conforme. Eles demonstraram que a torre infinita de operadores degenerados encontrada em estudos anteriores é provavelmente não um glitch artificial, mas uma consequência natural de como os parâmetros da rede neural se tornam médios, uma conclusão apoiada por tendências numéricas e conjecturada para o limite infinito. Os pesquisadores mostraram que esses operadores estão relacionados entre si de uma forma precisa, formando uma estrutura algébrica coerente que pode ser descrita usando as simetrias do grupo conforme, embora tenham observado que provar a total positividade de Krein desta estrutura permanece uma suposição em vez de um fato derivado.

Um dos achados mais significativos foi a resolução de um enigma sobre interações "mistas". Em estudos anteriores, não estava claro como calcular a interação entre diferentes tipos de operadores quando eles eram degenerados. A equipe mostrou que o método padrão de simplesmente multiplicar operadores juntos não funciona aqui. Em vez disso, a maneira correta de entender essas interações é vê-las como uma expansão em torno de um conjunto de operadores "raiz", onde as conexões entre diferentes estados são mediadas pela distribuição estatística específica dos parâmetros da rede neural. Eles descobriram que as restrições sobre os momentos estatísticos dos parâmetros da rede neural estão profundamente ligadas à consistência da teoria. Se a distribuição de parâmetros for escolhida corretamente, a teoria permanece consistente, mesmo que careça da positividade padrão de um espaço de Hilbert físico.

Os pesquisadores também esclareceram a distinção entre a "álgebra de campos" e a "álgebra de correladores". Na construção de rede neural, os próprios campos, antes da média, seguem uma regra de multiplicação simples. No entanto, uma vez que a média é realizada para obter as previsões físicas, as correlações resultantes revelam uma estrutura muito mais rica e complexa. Esta estrutura é definida pela simetria conforme e pela forma específica como os parâmetros da rede neural são distribuídos. A equipe mostrou que essa estrutura algébrica é robusta e pode ser definida sem a necessidade de assumir a existência de um espaço de Hilbert padrão. Em vez disso, eles usaram a correspondência operador-estado, um princípio fundamental na teoria de campo conforme, para definir a álgebra diretamente a partir das funções de correlação.

Em sua conclusão, os autores enfatizaram que, embora essas teorias não se encaixem no arcabouço padrão da teoria quântica unitária, elas não estão matematicamente quebradas. Elas existem como estruturas algébricas válidas que podem ser estudadas e compreendidas. O trabalho fornece uma receita para construir a álgebra dessas teorias diretamente de suas funções de correlação, contornando a necessidade de um espaço de Hilbert tradicional. Isso abre as portas para o estudo de uma classe mais ampla de sistemas físicos que eram anteriormente considerados difíceis demais para lidar. Os pesquisadores observaram que, embora tenham estabelecido a existência dessa estrutura algébrica, os detalhes completos de como esses sistemas se comportam em um sentido local de espaço-tempo ainda estão sendo explorados. Eles sugeriram que o limite de grande-N, onde o número de redes neurais torna-se muito grande, fornece um cenário limpo para testar essas ideias adiante.

Em última análise, este trabalho demonstra que as ferramentas da inteligência artificial podem ser usadas para construir e analisar teorias físicas complexas que residem fora das fronteiras padrão da física. Ao tratar os parâmetros da rede neural como os ingredientes fundamentais, os pesquisadores foram capazes de construir uma descrição matemática consistente de teorias de campo conforme não unitárias. Eles mostraram que a degenerescência aparente e a falta de positividade não são erros, mas características de um novo tipo de teoria física que pode ser descrita usando um espaço de Krein. Este achado sugere que o panorama de possíveis teorias físicas é mais amplo do que se pensava anteriormente, e que a interseção entre aprendizado de máquina e física teórica oferece uma nova e poderosa maneira de explorar as leis fundamentais da natureza. O estudo confirma que, mesmo na ausência da positividade padrão, uma teoria coerente e estruturada pode emergir das estatísticas das redes neurais, proporcionando uma nova perspectiva sobre como as leis físicas podem ser codificadas em sistemas complexos.