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

Resumo Técnico: Aprendizado de Máquina da Estrutura de Fase e Invariantes Algébricos de Autômatos Celulares com Valores de Clifford e Grassmann

Enunciado do Problema
Embora o aprendizado de máquina tenha sido cada vez mais aplicado à descoberta de estruturas matemáticas em campos que variam da teoria das cordas a invariantes topológicos, as álgebras de Clifford e Grassmann têm sido amplamente utilizadas dentro de arquiteturas de aprendizado (por exemplo, como vieses indutivos), em vez de serem o próprio objeto de estudo. Este artigo aborda o problema inverso: pode o aprendizado de máquina recuperar a estrutura algébrica subjacente (especificamente a álgebra geradora e sua classe de assinatura métrica) unicamente a partir dos dados dinâmicos gerados por um sistema impulsionado por essa álgebra? Os autores investigam isso tratando autômatos celulares (AC) com valores de multivetores como geradores de dados dinâmicos rotulados por álgebras, questionando se a "impressão digital" da álgebra está codificada nas transições de fase e nos observáveis estatísticos do sistema.

Metodologia
O estudo constrói uma família de autômatos celulares com valores de multivetores normalizados em uma rede periódica unidimensional ($N=96$).

• Sistema Dinâmico: O estado em cada sítio $i$ é um multivetor $X_i(t)$ pertencente a uma de cinco álgebras: $Cl(2,0)$, $Cl(3,0)$, $Cl(1,2)$, $Cl(1,3)$ e a álgebra de Grassmann $\Lambda(\mathbb{R}^3)$. A regra de atualização local é um mapa normalizado envolvendo memória, difusão de vizinhança, não linearidade de produto geométrico, involução de grau e termos de quiralidade de pseudoscalares, controlados por cinco parâmetros $(\alpha, \beta, \gamma, \delta, \eta)$.
• Observáveis: Para resolver a dinâmica além das magnitudes escalares, os autores introduzem observáveis resolvidos por grau. Estes incluem densidade de energia de grau, entropia de grau ($\bar{H}_{grade}$), um índice de mistura de graus ($C_{mix}$), energia de Clifford estabilizada e descritores de crescimento de perturbação (expoente de Lyapunov efetivo $\lambda_{eff}$). Métricas adicionais incluem entropia espectral, descritores de análise de quantificação de recorrência (RQA) e comprimentos de correlação.
• Definição de Fase: Um esquema de classificação baseado em regras atribui trajetórias a cinco fases: Ordenada, Periódica, Constrita, Intermitente e Caótica, baseando-se em limiares dos observáveis.
• Protocolo de Aprendizado:
  • Aprendizado Não Supervisionado: PCA, UMAP e Modelos de Mistura Gaussiana são usados para recuperar a organização de fase sem rótulos.
  • Aprendizado Supervisionado: Florestas Aleatórias, Árvores de Gradiente Impulsionado, SVMs e MLPs são treinados para classificar fases e, crucialmente, para identificar a álgebra geradora e sua classe de assinatura (definida, indefinida, degenerada).
  • Controles Cegos: Para garantir que o aprendizado não esteja explorando trivialmente a dimensão da álgebra ou definições métricas, os autores empregam protocolos "genuinamente cegos". Estes utilizam conjuntos de descritores ($D_{Euc}$) computados inteiramente no espaço de coeficientes Euclidianos, excluindo quaisquer descritores que contenham explicitamente a dimensão da álgebra ($n$) ou a métrica de Clifford. A validação cruzada é realizada com dobras agrupadas por coordenadas de parâmetros para evitar vazamento de dados.
  • Formulação de Conjecturas: Regressão simbólica e árvores de decisão são usadas para derivar relações matemáticas compactas e substitutos interpretáveis para as regras de fase.

Principais Contribuições e Resultados

1. Estrutura de Fase e Parâmetros de Ordem:

   • O estudo mapeia diagramas de fase de dois parâmetros para cinco álgebras, revelando regimes distintos de comportamento ordenado, periódico, caótico, constrito e intermitente.
   • A entropia de grau e o expoente de Lyapunov efetivo são identificados como parâmetros de ordem coincidentes; seus contornos de transição alinham-se entre todas as álgebras, sugerindo que as transições de fase nestes sistemas são fundamentalmente reorganizações do conteúdo de grau, em vez de mudanças na amplitude escalar.
   • Comparação entre Álgebras: A diversidade de fase não é monotônica com a dimensão da álgebra. Enquanto as álgebras definidas e degeneradas mostram estruturas de fase ricas, as álgebras indefinidas ($Cl(1,2)$e$Cl(1,3)$) parecem quase inteiramente caóticas sob a normalização padrão dependente da métrica.

2. O Papel da Normalização:

   • Uma descoberta crítica é que o colapso das álgebras indefinidas em caos é impulsionado pela interação entre a forma bilinear indefinida e a etapa de normalização, não pela assinatura do produto em si.
   • Sob uma normalização comum de coeficiente Euclidiano, as álgebras indefinidas recuperam uma diversidade de fase comparável às definidas. Isso indica que o comportamento "caótico" das álgebras indefinidas na análise primária é um artefato da estabilização próxima ao cone nulo, onde a pseudo-norma desaparece.

3. Recuperação de Invariantes Algébricos (Núcleo de Matemática Experimental):

   • Recuperação Supervisionada: Classificadores podem recuperar a álgebra geradora e sua classe de assinatura métrica a partir de descritores dinâmicos com alta precisão.
     • Usando um conjunto de componentes de grau excluídos ($D_{14}$), a precisão atinge 95,8% para identificação de álgebra e 97,3% para classificação de assinatura.
     • Sob um protocolo genuinamente cego (usando apenas 8 descritores no espaço Euclidiano, excluindo informação de dimensão e métrica), a classe de assinatura é recuperada com 87,2% de precisão (chance 33%), e a álgebra com 72,2% (chance 20%).
   • Transferibilidade: Um classificador treinado em um par de álgebras (ex: $Cl(2,0)$ vs. $Cl(1,2)$) transfere-se para um par não visto ($Cl(3,0)$ vs. $Cl(1,3)$) com 81–94% de precisão balanceada, demonstrando que a dinâmica carrega uma impressão digital algébrica aprendível e transferível.
   • Controle de Mesma Dimensão: Mesmo quando restrito a três álgebras de mesma dimensão (8), as classes de assinatura permanecem separáveis com 96,3% de precisão, provando que o sinal não é meramente uma função da dimensão.

4. Formulação Automatizada de Conjecturas:

   • Regressão Simbólica: Propõe uma relação de escala candidata para o início do caos: $\lambda_{eff} \approx 0.41 H_{spec}^{3.33}$, ligando a taxa de crescimento de perturbação de tempo finito à entropia espectral. Os autores apresentam isso como uma conjectura testável em vez de uma lei provada, observando que o expoente varia conforme a álgebra.
   • Substitutos Interpretáveis: Uma árvore de decisão de profundidade três reproduz os rótulos de fase baseados em regras com 98,3% de fidelidade, fornecendo uma lógica legível por humanos para as fronteiras de fase.

Significância e Alegações
O artigo posiciona-se dentro do programa de matemática experimental, onde o aprendizado de máquina serve como uma ferramenta para descobrir estrutura matemática e formular conjecturas.

• Problema Inverso: A principal alegação é que se pode "ouvir a assinatura de uma álgebra de Clifford através do tambor de seu autômato". A dinâmica gerada pela álgebra contém informação suficiente para reconstruir a identidade da álgebra e sua assinatura métrica, mesmo quando os descritores são destituídos de definições algébricas explícitas.
• Insight Metodológico: O trabalho demonstra que, para sistemas com valores de multivetores, estatísticas resolvidas por grau são os parâmetros de ordem necessários, pois observáveis escalares falham em resolver a estrutura de fase.
• Cautelas e Modéstia: Os autores são explícitos quanto às limitações. Os rótulos de fase são convenções baseadas em regras, não verdades físicas absolutas. A relação simbólica é uma regularidade empírica com poder preditivo modesto ($R^2 \approx 0.66$) e expoentes dependentes da álgebra. O estudo é limitado a redes unidimensionais e horizontes de tempo finitos, o que impede reivindicações sobre expoentes críticos ou limites termodinâmicos. O "mecanismo do cone nulo" para a instabilidade das álgebras indefinidas é oferecido como uma hipótese consistente com os controles, não como uma causa provada.

Em resumo, o artigo estabelece os autômatos celulares com valores de multivetores como um ambiente tratável onde o aprendizado de máquina pode inverter com sucesso dados dinâmicos para recuperar invariantes algébricos, desde que a análise respeite a estrutura graduada da álgebra subjacente e controle os artefatos de normalização.