⚛️ lattice

What Neural Network Field Theory Can and Cannot Realise on a Computer

本文提出了一项禁止定理，证明由于反射正定性和标度分离性的失效，标准的有限宽度神经网络集成无法在计算机上一致地实现量子理论或有效场论，而仅有特定的无限宽度极限或对有限方差和旋转不变性的放宽才提供了潜在的逃逸路径。

原作者： Thomas R. Harvey

发布于 2026-08-25

📖 1 分钟阅读🧠 深度阅读

原作者： Thomas R. Harvey

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

在现代理解宇宙的努力中，物理学家经常依赖两种强大的工具：描述粒子如何相互作用的方程，以及用于模拟这些相互作用以观察结果的计算机。几十年来，一种特定类型的计算机模型一直被用于研究这些相互作用，它将空间和时间视为一个点阵网格。最近，出现了一个新颖的想法，试图用更具流动性的东西来取代这种网格：即驱动现代人工智能的神经网络。人们曾希望通过将大量的这类网络视为一个单一的物理系统，科学家可以直接模拟自然的基本规律。这种被称为“神经网络场论”的方法，承诺将机器学习的复杂机制转化为计算量子世界行为的新途径。其核心思想是，如果你拥有足够多的简单网络并让它们相互作用，它们的集体行为自然会模拟出构成现实的复杂且波动的场——从微小的粒子到维系它们的力。

驱动这项新研究的问题既简单又深刻：我们真的能利用这些神经网络在计算机上运行一个完美的宇宙模拟吗？麻省理工学院的研究员托马斯·R·哈维（Thomas R. Harvey）着手测试了这一想法的极限。他考察了这些网络创建的数学结构是否能够真正代表严谨的物理定律，特别是研究它们是否能够重现二维或更高维度的量子场的行为。这项调查并非为了构建一个更好的机器学习模型，而是为了理解这些模型所能以及不能代表什么的根本规则。其目标是确定：将神经网络作为通往量子领域直接窗口的愿景，是一个可行的路径，还是撞上了一堵无法逾越的墙。

哈维的工作揭示了一个显著的障碍，阻碍了这一愿景以其最直接的形式成为现实。他证明了对于任何产生空间每一点都具有有限、稳定值的标准神经网络架构，所得系统都无法满足二维或更高维度量子场论的基本要求。该证明依赖于量子物理中的一个特定属性——反射正定性（reflection positivity），这是一种确保模拟系统表现得像真实物理理论一样具有正概率的一致性检查。研究表明，当你试图构建一个平滑、稳定且在各个角度看起来都一致的网络时，它不可避免地会无法通过这项检查。该系统会变得在数学上不一致，这意味着它无法描述一个粒子运动和相互作用的方式与我们观察到的现象相符的宇宙。这种失败并非可以通过微调数值来修复的小故障，而是一个适用于这类整个网络类别的根本性障碍。

该研究将问题分为四种不同的情景，以观察其中是否有任何一种仍然可行。在第一种情景中，当网络具有固定的有限大时，模拟失败了，因为它无法维持必要的一致性。在第二种情景中，当网络被设想为无限大时，系统只能部分被模拟；虽然其平滑相关函数（smeared correlators）可以以受控误差进行计算，但那些区分真实量子场论的奇异观测值（singular observables）无法仅通过系综本身来控制误差进行计算。第三种情景表明，网络可能作为一种有效理论（effective theory）发挥作用，即一种仅在特定尺度下有效的简化描述。然而，研究指出，由网络有限尺寸引入的数学误差可能与物理过程过于纠缠，以至于无法清晰分离，这使得人们很难信任其对于低能现象的结果。第四种情景考察了作为有效理论的无限宽度极限，这是唯一仍然可行的方案；在这里，只要将所有有限宽度误差控制在由截断（cutoff）引入的系统误差之下，网络就是计算定义并受控于无限宽度的有效场理论相关函数的合法手段。

一维空间是这一规则的例外，在该维度下，数学障碍并不适用。然而，即使是在这种更简单的单维世界中，研究也表明，这类研究中常用的特定类型网络在任何有限大情况下仍无法通过一致性检查。这意味着问题不仅在于空间的复杂度，而在于神经网络本身的本质。绕过这一障碍的唯一方法是放弃网络在每个点都产生有限值的要求，或者放弃系统在每个方向上看起来完全相同的要求。而这两者都会为计算引入自身的严重困难，例如使结果无法以已知的准确度进行计算，或者破坏使物理定律具有普适性的对称性。

这些发现的意义是明确的：使用标准的神经网络系综直接在计算机上模拟量子场论的梦想被一条基本的数学定律阻挡了，唯有利用无限宽度极限来计算受控的有效场理论这一路径除外。虽然这些网络在其他用途上仍有价值，例如对已知的物理构型进行采样，但它们无法像最初希望的那样，作为精确量子场论本身的理论。这项研究并不是说神经网络对物理学毫无用处，而是说它们不能在所有语境下都直接取代传统的模拟量子世界的方法。未来的路径要么是接受模拟始终是一种带有不可控误差的近似，要么是专门将网络用于受控的有效理论，或者寻找构建这些网络的新方法以打破该证明的假设。在此之前，试图将神经网络转化为宇宙本身的尝试，仍然是一个美丽的构想，尽管它撞上了一堵坚硬的数学之墙，不过，通往特定受控有效理论的路径依然是敞开的。

技术摘要：“神经网络场论在计算机上能实现什么以及不能实现什么”

问题陈述
神经网络场论（NN-FT）提出，神经网络系综（特别是无限宽极限下）可以作为一个计算框架，用于定义和模拟量子场论（QFT）或有效场论（EFT）。虽然无限宽系综已知会收敛到高斯过程（自由场论），但一个核心的计算挑战仍然存在：有限宽系综（其中 $1/N$ 修正引入相互作用）或其无限宽极限，是否能在计算机上忠实地重现量子场论（QFT）或受控有效场论（EFT）的公理？

本文研究了能否构建一个满足 Osterwalder-Schrader 公理（特别是反射正定性）的神经网络系综，以定义一个一致的欧几里得 QFT，或者至少是一个有效的 EFT，且其误差仅由系综及其样本导出，而不依赖于对目标理论答案的先验知识。

方法论
作者对神经网络系综的性质进行了严格的数学分析，特别关注以下三者之间的相互作用：

有限方差： 假设网络输出 $f(x)$ 在每一点 $x$ 处具有有限方差（逐点系综）。
欧几里得不变性： 假设两点函数在平移、旋转和反射下是不变的。
反射正定性： 重构欧几里得相关函数对应的物理希尔伯特空间所需的 Osterwalder-Schrader 公理。

核心方法论是通过证明一个“不可能性定理”（定理 2.1），展示了这些假设在维度 $d \ge 2$ 时是不相容的。该证明利用 Bochner 定理在动量空间中表示两点函数，并分析了相关函数在反射下的凸性属性。分析过程被扩展到一维（ $d=1$ ）情况以及特定架构（如余弦网络）以测试这些障碍的边界。

主要贡献与结果

1. 障碍定理（定理 2.1）
本文建立了一个针对 $d \ge 2$ 的基本不可能性定理：

前提： 考虑函数 $f: \mathbb{R}^d \to \mathbb{R}$ 的概率测度，该测度是一个逐点系综（在每一点方差有限）、具有欧几里得不变性、均方连续，并且在超平面上满足反射正定性。
结果： 两点函数 $S_2(x, y)$ 必须是常数。因此，该场没有波动，不携带传播自由度，且该理论是平凡的。
启示： 任何非平凡的、欧几里得不变的、逐点系综在 $d \ge 2$ 时必然违反反射正定性。

2. 对四种 NN-FT 情景的分析
论文根据定义对象（有限 $N$ vs. 无限极限）和目标理论（QFT vs. EFT）将 NN-FT 分类为一个 $2 \times 2$ 的网格：

(QFT | 有限 $N$ )：不可能。 对于任何具有有限方差和欧几里得不变性的有限宽系综，反射正定性都会失效。不存在底层的反射正定测度，因此不存在希尔伯特空间或可进行 Wick 旋转的量子理论。
(QFT | 极限情况)：部分可实现，但与 EFT 不可区分。 如果无限宽极限保留有限方差，则是平凡的。如果极限允许方差发散（脱离逐点类），则可以定义非平凡的 QFT。然而在计算上，只能访问“涂抹”后的相关函数（具有有限方差估计值的可观测量），其误差受控。奇异复合算符（用于区分连续 QFT）无法在仅由系综控制误差的情况下进行计算，这使得此类模拟在有限精度下与 EFT 计算无法区分。
(EFT | 有限 $N$ )：未证明/不太可能。 虽然在每个有限宽度下反射正定性都失效，但如果这种失效在参数上与物理相互作用分离（例如，通过 $p/\Lambda$ 的幂次受到抑制），则 EFT 的解释并不严格被排除。然而，本文认为工程化实现这种分离非常困难，因为非微扰的 $1/N$ 效应以及缺乏用于控制违反程度的系统标度，使得很难确保所有有限宽伪影都能被控制在 EFT 截断 $\Lambda$ 之下。
(EFT | 极限情况)：可实现。 这是最可行的路径。网络可以模拟在无限宽处定义并正则化的 EFT。有限宽系综充当了该极限的截断。如果有限宽误差（包括非微扰 $1/N$ 效应）被推至低于由截断 $\Lambda$ 带来的系统误差，则模拟是有效的。

3. 一维情况 ( $d=1$ )
在一维（ $d=1$ ）情况下，由于动量积分收敛，障碍定理不适用，允许存在非平凡的反射正定极限。然而，本文证明（定理 4.1）对于余弦网络（一种实现自由场的标准架构），在有限数量的质量下，在每个有限宽度 $N$ 处反射正定性仍然失效。缺陷源于高阶相关函数（特别是涉及三阶单项式的项）的有限宽修正，其缩放比例为 $1/N$ 或 $1/N^2$ 。

4. 提出的逃逸路径
论文确定了两种规避该不可能性定理的方法，但每种方法都伴随着显著的计算权衡：

逃逸路径 1：放弃点的有限方差。 允许重合处的方差发散（例如 Liouville 理论）可以实现非平凡的相互作用极限。然而，这阻碍了直接采样场值。只有涂抹后的可观量才是可计算的。奇异复合算符需要外部 UV 正则化，无法仅通过系综导出误差进行计算。
逃逸路径 2：放弃精确的旋转不变性。 这保留了有限方差。晶格（Lattice）是这种逃逸路径的一个典型例子。然而，传统的 NN-FT 架构缺乏一个独立的有量纲参数（如晶格间距 $a$ ）来系统地控制对称性破缺并消除连续极限中的各向异性。

意义与主张
本文声称为 NN-FT 作为计算工具的局限性提供了明确的特征描述。

对 QFT 的否定： 它确立了在 $d \ge 2$ 时，标准的有限宽神经网络系综由于反射正定性的失效，无法实现精确的、非平凡的欧几里得 QFT。
计算上的区分： 它阐明了虽然无限宽极限可以定义 QFT，但这类理论的计算实现仅限于涂抹后的可观量，这使得它们在实际操作中与 EFT 模拟无法区分。
研究范围适中： 本文并非提出解决这些问题的新架构，而是划定了可能的边界。它表明，对于受控数值计算，NN-FT 最适合用于模拟定义在无限宽处的有效场论（EFT），而不是作为通往精确 QFT 的直接路径。

这项工作为试图使用神经网络来定义或模拟场论的研究人员提供了一个警示性的框架，强调了“有限方差”这一标准网络输出的特性，在 $d \ge 2$ 时，与欧几里得不变性和反射正定性在本质上是不相容的。

技术摘要：“神经网络场论在计算机上能实现什么以及不能实现什么”

类似论文