⚛️ high-energy theory

Pre-Strings Lectures on Artificial Intelligence

这些来自上海 2026 年 Pre-Strings 学校的讲义全面概述了人工智能与弦理论之间的双向关系，涵盖了从场论视角下的神经网络基础，到利用神经网络定义和求解场论的应用，以及使用人工智能技术推动弦理论及相关数学物理研究的研究进展。

原作者： James Halverson

发布于 2026-07-07

📖 1 分钟阅读🧠 深度阅读

原作者： James Halverson

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是关于吉姆·哈尔沃森（Jim Halverson）“弦论前置讲座：人工智能”的解释，已将其转化为日常语言并使用了类比。

大局观：为期三天的研讨会

想象一位物理学家正在向研究宇宙基本结构的（弦理论）学生举办为期三天的研讨会。目标是教他们如何不仅将人工智能（AI）视为一个计算器，而是将其作为一种思考物理学的新方式。

讲座分为三个不同的阶段，从理解 AI，到使用 AI 构建物理学，最后到使用 AI 解决物理问题。

第一天：理解 AI 机器

类比：“集成”骰子投掷者

通常，当我们想到神经网络（现代 AI 的大脑）时，我们会想到一个特定的计算机程序。但讲师要求我们换一种思考方式。想象你拥有的不仅仅是一个在掷骰子的人，而是一个坐满了正在掷骰子的人的体育场。

表达能力（它有多强大？）： 讲座解释说，这些网络就像一套巨大的乐高积木。有了足够的零件（神经元）和正确的连接，你可以构建出几乎任何你能想象出的形状。它提到了一个著名的数学规则（通用近似定理），该规则指出即使是一个简单的网络也可以模拟复杂的曲线。它还介绍了“Transformer”（聊天机器人背后的技术），这是一种能够逐词阅读故事、关注单词之间如何相互关联，而不仅仅是孤立观察单词的方式。
统计学（群体的意见）： 我们不是询问一个网络它的想法，而是询问整个体育场。如果你从随机设置开始，整个群体的“平均”答案会遵循一个非常可预测的模式，就像钟形曲线一样。用物理术语来说，这就像是一个“自由场论”——一个简单的、平静的状态，其中一切都是相互独立的。
动力学（它是如何学习的）： 当网络学习时，就像一名徒步旅行者走下山坡去寻找最低的山谷（最佳答案）。讲座解释说，如果网络非常庞大，徒步旅行者几乎不会移动山体；他们只是沿着一条平滑的、预先确定的路径下滑。然而，如果我们对网络进行精细调整，徒步旅行者实际上可以重塑山体（学习新特征），这才是深度学习真正运作的方式。

核心要点： AI 不是魔法；它是一个统计系统。如果你将一个巨大的网络看作一个群体，其行为遵循与气体或流体相同的物理数学规则。

第二天：使用 AI 构建物理学

类比：“逆向工程构建的宇宙”

在第二天，讲师反转了剧本。他们不是利用物理学来理解 AI，而是利用 AI 来创造物理学。

概念： 想象你想构建一个宇宙。通常，你会从一套规则（方程）开始，然后观察会发生什么。在这里，你从一个神经网络架构和一组随机数字（参数）开始。你将网络的输出视为你宇宙中的“场”。
结果：
- 自由理论： 通过正确设置网络，他们可以重现简单的、无相互作用的粒子（就像平静的海面）。
- 相互作用理论： 通过调整网络的规则，他们可以创造出“相互作用”（就像海浪拍打）。他们成功地重现了 Liouville 理论（一个复杂的二维宇宙）和 玻色弦（一种振动弦的模型）。
- “神奇”数字 26： 弦理论中最大的谜团之一是为什么宇宙在数学上需要 26 个维度才能运作。使用这种 AI 方法，讲师仅仅通过计算网络的“模态”或设置，就推导出了数字 26。这就像是通过数电遥控器上的按钮来发现一个秘密代码。
- 拓扑缺陷： 他们甚至展示了通过在网络中添加特殊的“离散”开关，如何创造出“涡旋”（流体中的漩涡）和相变（如水结冰）。

核心要点： 你不需要传统的方程来定义一个宇宙。你可以通过神经网络的架构及其设置的概率来定义一个宇宙。事实证明，AI 是构建物理定律的一种有效方式。

第三天：AI 作为研究助手

类比：“超级实习生”

最后一天是关于实用工具。讲师介绍了 AI Agent（智能体）。

什么是 Agent？ 想象一个非常聪明的实习生，他可以阅读论文、编写代码、运行模拟、检查自己的工作，并在遇到困难时寻求帮助。他不仅仅是回答一个问题，他是在完成工作。
应用场景：
- 解决几何问题： 弦理论需要被称为 Calabi-Yau 流形的复杂形状。我们知道这些形状存在，但不知道它们的精确“度规”（如何在这些形状上测量距离）。AI 使用一种称为“物理信息神经网络”的技术来猜测形状，然后不断自我修正，直到数学逻辑完美契合。
- 搜索景观（Landscape）： 弦理论中有数十亿个可能的宇宙（真空态）。寻找一个看起来像我们世界的宇宙就像在大海捞针。AI 使用“强化学习”（带有奖励的试错法）来导航这个大海捞针的过程，其速度比人类快得多，甚至能发明新的策略来寻找那根针。
- 解开绳结： 在数学中，判断一个结是否真的只是一个环（即“平凡结”）是非常困难的。AI 通过学习一套动作来学会解开绳结，有效地解决了一个数学问题，并提供了一个人类可以检查的证明。
- 猜想生成： AI 可以观察数据并发现人类忽略的模式。它可以提出一个新的数学规则（猜想），然后人类数学家可以尝试去证明它。

核心要点： AI Agent 正在改变物理学的研究流程。它们处理繁琐的“管道工程”（编码、检查、搜索），让物理学家能够专注于宏大的思想和“为什么”。

总结

本文认为，AI 与物理学之间的关系是一条双向通道：

物理学解释 AI： 神经网络的数学与量子场的数学惊人地相似。
AI 解释物理学： 我们可以利用神经网络来定义新的物理理论，并解决以前难以计算的问题。
AI 帮助物理学家： 通过使用能够思考、行动和验证的“智能体”，从事复杂物理研究的门槛正在降低，使得研究人员能够更快地应对更大的问题。

讲师总结道，我们正处于一个新时代的开端，在这个时代，AI 不仅仅是一个工具，更是一个在探索宇宙运作规律过程中的合作伙伴。

技术摘要：Pre-Strings 关于人工智能的讲座

问题陈述

本文探讨了理论物理（特别是弦理论）与人工智能之间快速发展的交集。它确定了三个主要的差距：

理论理解： 缺乏一个统一的场论框架来理解神经网络（NN）的表达能力、统计特性和动力学。
物理学的新表述： 需要一种新的方法来定义和计算场论，而不依赖于传统的路径积分或拉格朗日量，这可能为弦理论和量子场论（QFT）提供新的见解。
实际应用： 将机器学习（ML）技术应用于弦理论的门槛很高，通常受困于“繁琐工程”（数据处理、环境搭建、调试），并且需要超越黑盒预测、转向猜想生成和严密证明的可解释方法。

这些在 Pre-Strings 2026 学校发表的讲座旨在通过提供一个场论视角来弥合这些差距，定义“神经网络场论”（NN-FT），并展示现代智能体（Agentic）AI 工作流如何加速弦理论研究。

研究方法

本文结构为一个为期三天的讲座系列，从基础理论逐步推进到高级应用：

第一天：神经网络精华（场论视角）

作者使用物理术语重新构建了标准的机器学习概念：

表达能力（Expressivity）： 通过通用逼近定理（UAT）和 Kolmogorov-Arnold 表示定理进行分析。后者启发了 Kolmogorov-Arnold 网络（KANs），其中可学习的激活函数位于边（edges）而非节点（nodes）上。Transformer 和“思维链”推理的作用被构架为通过时间/Token 深度的表达能力扩展。
统计特性（Statistics）： 将初始化时的神经网络系综视为统计场论。通过在无限宽度极限（ $N \to \infty$ ）下的中心极限定理（CLT）推导出**神经网络/高斯过程（NNGP）**的对应关系，将网络识别为广义自由场。非高斯性（相互作用）源于有限 $N$ 的修正（ $1/N$ ）或统计独立性的破坏。对称性通过将变换吸收进参数密度中来实现。
动力学（Dynamics）： 通过**神经切线核（NTK）**分析梯度下降。在无限宽度极限下，NTK 冻结，导致“懒惰”训练，即特征无法学习。通过缩放分析（遵循 Pehlevan 和 Bordelon 的方法）识别了特定的参数化方案（例如 $\mu P$ ），这些方案允许在有限时间内进行非平凡的特征学习。

第二天：神经网络场论 (NN-FT)

逻辑被反转：一个场论不是由作用量 $S[\phi]$ 定义的，而是由架构 $\phi_\theta$ 和参数密度 $P(\theta)$ 定义的。

定义： 一个 NN-FT 是数据 $(\phi_\theta, P(\theta))$ ，其配分函数定义为对参数的积分： $Z[J] = \int d\theta P(\theta) e^{\int J \phi_\theta}$ 。
工程化理论：
- 自由理论： 通过满足 CLT 条件并利用架构设计（例如“标量网络”重现自由标量传播子）来塑造二点函数（谱）来构建。
- 相互作用： 通过改变参数密度 $P(\theta)$ （例如插入势能 $V(\phi)$ ）或破坏独立性来引入，而不是修改作用量。
- 量子性： 通过在相关函数上满足 Osterwalder-Schrader (OS) 公理（欧几里得不变性、反射正定性等）来定义。
形式体系： 通过参数空间中的变量代换推导 Ward 恒等式和反常，从而得到一个涉及流（flow）的得分函数（score function）和雅可比矩阵的“主恒等式”（Master Identity）。

第三天：应用 AI 于弦论

侧重于使用现代“智能体”工作流进行实际实现。

智能体（Agents）： 具备推理能力的模型（带有强化学习的 LLM），能够进行规划、执行代码、搜索文献并验证结果。这些智能体降低了“机器学习用于物理学”的实现门槛。
物理信息神经网络 (PINNs)： 用于求解 Monge-Ampère 方程以近似 Ricci 平坦的 Calabi-Yau 度规，这是一个此前在解析上难以处理的问题。该方法使用基于 Monge-Ampère 方程的代理损失，而非直接最小化 Ricci 张量。
强化学习 (RL)： 应用于搜索弦景观（例如，寻找满足电荷抵消和超对称性的相容 D-膜配置）以及解决拓扑问题（例如通过辫子词简化来解开纽结）。
猜想生成： 使用可解释模型（决策树、KANs、符号回归）识别数据中的模式、制定猜想并引导严密的证明（例如在纽结理论和 F-理论规范群中的应用）。

核心贡献与结果

1. 理论统一 (NN-FT)

论文确立了**神经网络场论（NN-FT）**是一个有效且强大的定义场论的框架。

普适性： 论文证明了任何关于温和分布（tempered distributions）的概率分布都可以通过 Borel 同构通过 NN-FT 进行描述。
Liouville 理论： 作者将 Liouville 理论构建为一个 NN-FT，其中所有的相互作用都由一个条件化的零模（zero-mode）携带。参数空间的数值蒙特卡洛模拟重现了 DOZZ 结构常数，误差在百分之几以内。
玻色弦： 玻色弦的规范固定世界面理论被实现为一个无限宽度的神经网络系综。作者直接在参数空间中解析计算了 Virasoro-Shapiro 和 Veneziano 振幅，在没有世界面作用量的情况下恢复了标准结果。
临界维度： 提出了对玻色弦临界维度 $D=26$ 的新推导。它源于在 Weyl 重标度下参数空间流的雅可比矩阵中的模计数不匹配，而非来自正规序或中心荷抵消。
拓扑相变： 通过在神经网络系综中引入离散隐变量（涡旋）来实现 Berezinskii-Kosterlitz-Thouless (BKT) 相变，成功重现了刚度（stiffness）的普遍跳变和涡旋增殖。

2. 动力学与缩放

论文阐明了深度网络进行特征学习的条件，识别出 $\mu P$ 参数化是允许特征在有限时间内演化的唯一解，这与“懒惰”的 NTK 机制形成对比。
它建立了度规流的层次结构，表明 Ricci 流 是无限宽度、局部、Perelman-loss 极限下神经网络度规流的一个特例。

3. 应用 AI 与智能体工作流

Calabi-Yau 度规： 论文展示了使用 PINNs 进行 Calabi-Yau 度规的前沿数值计算，使得计算此前难以获取的量（如 Yukawa 耦合和 Kaluza-Klein 模）成为可能。
弦景观中的 RL： 实验表明，RL 智能体发现相容弦真空的速度比随机搜索快 200 倍，并能发明人类尚未编码的新策略（例如“填充膜/filler branes”）。
严密数学： RL 智能体被用于生成解开纽结的、人类可验证的证书，并消除了关于光滑 4D 庞加莱猜想的候选反例。
猜想生成： 论文强调了 ML 识别新不变量（例如纽结理论中的“自然斜率”）并证明关于 F-理论规范群猜想的成功案例。

意义与主张

论文声称，人工智能与物理学的结合正在进入一个由智能体推理模型驱动的新阶段。

降低门槛： “第三天”结果的主要意义在于，智能体工作流将 ML 用于物理技术的实现成本降低了一个数量级，使研究人员能够专注于物理学本身而非工程问题。
新推导： NN-FT 框架提供了一个“参数空间”视角，产生了经典结果（如 $D=26$ 、弦振幅）的新推导，并提供了一种无需作用量的场论的严密概率定义。
从预测到理解： 论文认为，物理学中 ML 的未来不仅在于预测，更在于猜想生成和可解释性。通过利用智能体搜索模式并由人类进行验证和证明，该领域可以向发现新的数学结构和物理定律迈进。
范围限定： 作者明确指出，虽然智能体降低了实现的成本，但它们并不能取代人类的判断。正确性、品味以及结果的最终验证责任仍在于物理学家。所呈现的结果多为“概念验证”或特定案例研究（如 Liouville 理论、特定弦振幅），而非对所有弦理论方法的全面改造。

总之，论文提出，神经网络不仅是数据分析的工具，本身也是一种定义场论的新语言，而智能体 AI 是促使这些先进技术对更广泛的弦理论界变得易于获取且高效的催化剂。