Spinning Conformal Correlators from Neural Networks
本文通过将神经网络与嵌入形式体系结合来构建自旋共形场，并计算其相关函数，证明了一类特定的独立同分布神经元集合在无限宽度极限下可以恢复四维麦克斯韦尔共形场论。
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
在现代物理学的广袤版图中，有两个截然不同的世界似乎在说着不同的语言。一方面是量子场论，它是描述我们宇宙基本粒子与力的数学框架，从让我们看见世界的光，到将原子核凝聚在一起的胶水，皆在其列。另一方面是神经网络的世界，即人工智能背后的计算引擎，它们学习识别模式、翻译语言并进行游戏。几十年来，这些领域一直处于各自独立的领域中，一个专注于现实的织构，另一个专注于软件的架构。然而，一种令人惊讶的联系出现了：神经网络处理信息的方式，在数学结构上与描述粒子在真空中如何相互作用的方程有着深刻的相似性。这种联系表明，计算机学习的方式可能会为理解自然的基本规律提供一种全新的、意想不到的途径。
这种联系的核心是一个被称为“共形对称性”（conformal symmetry）的概念。在物理学中，这描述了一个即使你拉伸或缩小物体间的距离，自然法则也保持不变的宇宙。这是一个强大的概念，有助于物理学家解决关于粒子在不同尺度下如何行为的复杂问题。多年来，研究人员一直使用神经网络来模拟简单的标量粒子——即那些没有内部方向或自旋的粒子。但宇宙中充满了更复杂的实体，例如光和磁场，它们具有一种称为“自旋”的属性。这些旋转的场表现得不同；它们具有方向性和取向性，这使得它们的数学描述变得更加困难。挑战在于，如何利用神经网络灵活的模式匹配能力，来重构这些旋转场及其复杂的相互作用之舞。
一组研究人员现在取得了重大进展，他们成功地直接从神经网络中构建了这些旋转场。他们并非仅仅使用计算机来模拟一个已知的物理系统，而是直接利用网络的架构构建了物理定律本身。通过以特定的对称方式排列网络的内部组件，他们创建了一个能够自然产生旋转粒子正确数学行为的系统。研究人员证明，当他们计算这些人工场如何相互作用时，结果与已知的共形场论规则完全吻ct匹配。他们展示了网络能够重现两个、三个甚至四个旋转粒子汇聚时的精确相互作用模式，这一成就需要极高的数学精度和结构完整性。
这项工作最引人注目的成就，是重构了描述四维空间中光与电磁行为的自由麦克斯韦理论（free Maxwell theory）。在现实世界中，光是一种自由场，这意味着其光子之间不会直接发生相互作用；它们只是彼此穿过。研究人员发现，通过使用单个简单的神经网络，他们可以捕捉到该场的这种基础二点相互作用，但网络中仍包含着隐藏的复杂性，使其无法与真实世界完美匹配。为了解决这个问题，他们采用了一种涉及大量独立网络并行工作的集成技术。随着他们将这些网络的数量增加到无穷大，那些多余的复杂性消失了，系统进入了一种与真实的自由光理论无法区分的状态。最终的模型重现了电磁场的精确相关函数，包括场强随空间和时间变化的特定关系。
这项工作不仅仅是复制已知的物理学，它还为物理定律如何从统计系统中涌现提供了新的视角。研究人员表明，神经网络参数共享和相关联的具体方式，决定了哪些物理结构会出现。通过仔细调整这些连接，他们可以控制哪些类型的粒子相互作用是被允许的，哪些是被禁止的。这表明，神经网络的架构不仅是一个计算工具，更是一个物理理论的基本定义。该研究证实，机器学习与量子场论之间深层的结构对应关系足够强大，足以处理旋转场的复杂性，从而为未来利用这些计算工具探索更奇异、更难求解的理论打开了大门。
研究人员谨慎地指出了他们成功的边界。他们的构建成功捕捉了理论中的局部规范不变扇区（local, gauge-invariant sector），即描述场的可观测效应的部分，但尚未涉及诸如磁单极子或底层势能特定变换规则之类的非局部特征。此外，虽然该方法在四维空间中表现出色，但它依赖于该维度特有的性质，而这些性质在三维或五维空间中并不成立，这意味着该方法目前尚未实现普适化。尽管如此，能够从神经网络的统计特性中推导出像电磁学这样基本力的精确行为，提供了一个具体的概念验证。它证明了人工智能的语言可以被用来编写物理定律，为观察我们宇宙的基本构建模块提供了一个新鲜且强大的视角。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。