Learning the open string spectrum with neural networks

技术摘要：利用神经网络学习开弦谱

问题陈述
树级开超弦振幅具有独特的质量平方谱，该谱由位于线性 Regge 轨迹上的正整数组成。虽然这一谱通过显式的 Veneziano 振幅是众所周知的，但其在多大程度上由基本物理原理（特别是局部性、解析性、交叉对称性和幺正性）所固定，仍是一个研究课题。此外，最近的研究表明，与一般的非整数谱相比，开弦谱在 $2 \to 2$ 散射中产生的纠缠量最小。本文旨在解决两个主要问题：(1) 是否可以利用机器学习同时学习整数质量平方谱和部分波系数，以及收敛的要求是什么？(2) 整数谱是否确实比非整数替代方案对应于纠缠生成的极小值？此外，作者还研究了三通道交叉对称振幅的边界以及非对偶振幅的行为。

方法论
作者采用了一种利用带有单参数歧义性（$\lambda$-CSDR）的**交叉对称色散关系（CSDR）**的“自举”（bootstrap）方法。振幅被表示为对其虚部的积分，并分解为涉及 Gegenbauer 多项式的部分波。

1. 机器学习设置（物理信息神经网络 - PINN）：

   • 目标： 同时学习质量平方谱（$R_n$）和部分波系数（$c^{(R_n)}_\ell$）。
   • 架构： 一个具有 3 个隐藏层（规模为 128）的全连接前馈神经网络，输入为自旋 $\ell$ 和质量能级 $R_n$，输出为系数 $c^{(R_n)}_\ell$。
   • 约束： 损失函数包含以下内容：
     • 幺正性： 通过 Softplus 激活函数强制执行，以确保 $c^{(R_n)}_\ell \geq 0$。
     • 威尔逊系数： 强制低能展开系数（$W_{10}, W_{01}$）匹配已知的开弦值（$-\zeta(3)$ 和 $7\zeta(4)/4$）。
     • $\lambda$-独立性： 确保振幅在种子值（例如 $\lambda = 14.6$）附近与歧义参数 $\lambda$ 无关的约束，这一条件由完整的无限谱满足。
     • 纠缠极小化： 损失函数包含一个“纠缠功率”（$\Phi$），其定义为由残数加权的谱之和，且该值被最小化。
   • 优化： 作者使用 Adam 优化器进行神经网络权重的优化，并使用梯度下降法对 $R_n$ 值进行优化。一个关键的技术挑战是确保超几何函数（用于 Gegenbauer 多项式）与 PyTorch 的 autograd 兼容，以便对 $R_n$ 值进行微分；通过使用超几何函数的截断级数表示，实现了这一点。

2. 线性规划 (SDPB)：

   • 为了验证纠缠极小化的主张，作者使用了半正定规划 Bootstrap (SDPB) 软件包。
   • 他们生成了 100 组随机非整数质量谱（$R_n$），并在满足相同的威尔逊系数和 $\lambda$-独立性约束的情况下最小化 $\Phi$。

3. 三通道分析：

   • 作者将分析扩展到三通道交叉对称振幅（与闭弦相关/Virasoro-Shapiro），使用局部三通道 $\lambda$-CSDR 来刻画威尔逊系数（$W_{10}, W_{01}$）的允许空间。

关键结果

• 学习谱：

  • 机器学习算法成功学习了部分波系数和近似于开弦谱的质量能级，但仅当第一个质量能级（$R_1$）被固定为其整数值（$R_1=1$）时才能实现。
  • 重要发现： 当 $R_1$ 为自由变量时，算法未能收敛到开弦解。当 $R_1$（有时也包括 $R_2, R_3$）被固定时，剩余未固定的能级（$n>1$ 的 $R_n$）优化的值近似于整数，但并未统一收敛到精确的整数。某些能级向整数靠近，而另一些则远离整数。这表明在有限截断（$N_{\text{max}}$）和特定的假设内，整数谱是受到青睐的，但如果没有固定质量标度，它并不能从第一原理中唯一恢复。

• 纠缠极小化：

  • 线性规划结果： 在测试的 300 组随机非整数谱中，有 187 组收敛到的 $\Phi$ 值严格高于开弦值（$\Phi_{\text{string}} \approx 1.5997$）。其余 113 组未能满足要求的容差范围内的约束。
  • 结论： 开弦整数谱产生的纠缠比一般的非整数谱更低，这为纠缠极小化原理在此背景下的应用提供了强有力的证据。

• 三通道边界：

  • 利用三通道 $\lambda$-CSDR，作者推导出了威尔逊系数的解析边界：$W_{10} \leq 0$ 且 $0 < W_{01} \leq -\frac{3}{2}W_{10}$。
  • Virasoro-Shapiro 振幅被成功定位在 $(W_{10}, W_{01})$ 空间的允许区域内。
  • 自旋-0 主导： 作者证明了允许区域的下边界是由“自旋-0 主导”决定的，即自旋-0 态对色散关系的贡献超过了高自旋态的贡献。这要求存在无限高的质量和自旋以满足交叉对称性。

• 非对偶振幅：

  • 论文分析了一个“非对偶”振幅（即前人工作中的“黑星”振幅），该振幅违反了对偶共振模型。
  • 该振幅的 Regge 轨迹表现出从线性 Regge 行为（$\alpha(s) \sim s$）到幂律行为（$s^0$）的转变（当 $s_1 \gg 1$ 且 $s_2 < 0$ 时），类似于在某些 QFT 振幅中观察到的 Polchinski-Strassler 型转变。

意义与主张
本文声称推进了“S-矩阵自举”（S-matrix bootstrap）计划，展示了使用物理信息神经网络同时学习谱数据（质量和耦合）而非仅仅是固定谱的系数的可行性。作者强调，其方法利用了与 PyTorch 兼容的超几何函数，以处理对质量能级的非线性依赖，这是一种新颖的技术贡献。

研究结果提供了数值证据，表明开弦的整数质量平方谱之所以特殊，是因为它使散射中的纠缠生成最小化，而这一属性在一般的非整数谱中并不具备。然而，作者对于“从第一原理学习”这一方面的表述较为谨慎：作者明确指出，目前的神经网络架构无法在不固定第一个极点（$R_1$）来设定质量标度的情况下，恢复出精确的整数谱。他们认为，若要在不进行此类固定的情况下恢复完整的整数谱，需要更复杂的架构。

最后，本文为三通道交叉对称振幅建立了严格的边界，并将 Virasoro-Shapiro 振幅定位在该空间内，将允许区域的边界与自旋-0 主导这一物理原理联系起来。