×
吉勒莫阿里亚斯·塔马戈;何、杨辉;海耶斯，埃利;爱德华·赫斯特;罗德里格斯-戈麦斯，迭戈

脑网是指膜网。 （英语） Zbl 1510.81103号

物理学。莱特。，B类 833，文章ID 137376，10 p.（2022）.
本文的主题是五维超热场理论的研究。主要建议是使用机器学习中的技术作为工具对这些理论进行分类。从弦理论的观点来看，五维超共形理论可以与Brane网联系起来。它们可以使用交叉D膜的某些配置进行物理构造。然后，这种配置的特定投影定义了平面上的网。然而，这样的描述是多余的。由特定动作（SL（2，C））或一组动作（称为Hanany-Writed moves）相关的不同网页描述了物理等效理论。然后，分类问题在于将web的等价类分类到这个等价关系。作者尝试使用机器学习解决这个问题。
更准确地说，作者研究了（p，q）5膜的构型，其中（p）和（q）分别是IIB型弦理论RR和NSNS 2形式下的电荷单位。这种膜可以在（[p，q]7膜上结束，然后在膜网中扮演外部腿的角色。这种网的冗余性的特征是：（SL（2，C））对每个（p，q）向量的作用，以及Hanany-Writed移动，编码在某个单值矩阵（M_{p，q}）中。整个配置可以通过网络矩阵进行参数化。
有趣的是，这种网的分类问题包含了对7膜结构进行分类的子问题，而没有任何5膜结构。这样的问题在[O.德沃尔夫等，高级Theor。数学。物理学。1785年至1833年（1999年；Zbl 0967.81051号)]其中，假设7膜的不等集是由总单值矩阵和某种电荷不变量来表征的。然而，通过检查膜构型的显式示例，本文作者发现，对于两个7膜构型不相等，这样的特征化只是必要的，而不是充分的。这导致了两个等价概念：强（直到\（SL（2，C）\）动作和Hanany-Writed moves）和弱（具有相同的不变量）。
作者使用机器学习技术来理解分类问题，通过训练一个暹罗神经网络（由两个或多个相同的子网络组成）来确定两个给定的网络是否等效。他们构建了一个合适的数据集，并相应地训练网络。他们发现网络在弱等价的概念下表现得更好。他们得出的结论是，真正的分类器集比先前认为的要微妙得多。一项使用拓扑数据分析的独立研究也加强了这一结果。
本文建议使用机器学习技术来理解某个物理问题。这样的问题可以归结为一个有趣的代数问题。不管它的物理起源如何，这本身就是一个有趣的问题，有几个（相当困难的）分支。这篇论文很清楚，不需要太多的弦论背景就可以理解它的要点。对机器学习及其应用感兴趣的研究人员将发现许多有待解决的问题。
审核人：米歇尔·西拉菲奇（的里雅斯特）

引用于2文件

MSC公司：

81T30型 弦和超弦理论；量子场论中的其他扩展对象（例如膜）
81T60型 量子力学中的超对称场论
81T40型 量子力学中的二维场论、共形场论等
68T07型 人工神经网络与深度学习

关键词：

D膜;量子场论;机器学习

引文：

Zbl 0967.81051号

软件：

Scikit公司;开膛器.py;TensorFlow公司;t-SNE公司
PDF格式BibTeX公司 XML格式引用
\textit{G.Arias-Tamargo}等人，《物理学》。莱特。，B 833，文章ID 137376，10 p.（2022；Zbl 1510.81103）
全文： 内政部 arXiv公司
OA许可证

参考文献：

[1] Seiberg，N.，《五维SUSY场理论，非平凡不动点和弦动力学》，物理学。莱特。B、 388753-760（1996）
[2] 莫里森·D·R。；Seiberg，N.，《极值跃迁和五维超对称场理论》，Nucl。物理学。B、 483229-247（1997）·Zbl 0925.81228号
[3] O.阿哈罗尼。；Hanany，A.，Branes，《超势和超热不动点》，Nucl。物理学。B、 504239-271（1997）·Zbl 0979.81591号
[4] O.阿哈罗尼。；Hanany，A。；Kol，B.，（p，q）五膜的网络，五维场理论和网格图，高能物理学杂志。，01，第002条pp.（1998）
[5] 杰斐逊，P。；Kim，H.-C。；瓦法，C。；Zafrir，G.，《5d SCFT的分类：单规范节点》
[6] Bhardwaj，L。；Zafrir，G.，5d规范理论的分类，高能物理学杂志。，12，第099条pp.（2020）·兹比尔1457.81117
[7] 阿普鲁齐，F。；劳里，C。；林，L。；谢弗·纳梅基，S。；Wang，Y.-N.，纤维添加风味，第一部分：5d超临界流体的分类，风味对称性和BPS状态，高能物理杂志。，11，第068条，第（2019）页·Zbl 1429.81066号
[8] 阿普鲁齐，F。；劳里，C。；林，L。；Schäfer-Nameki，S。；Wang，Y.N.，《纤维增加风味》，第二部分：5d超临界流体力学、规范理论和二重性，高能物理杂志。，03，第052条pp.（2020）·Zbl 1435.81177号
[9] Bhardwaj，L.，5d SCFT的风味对称性。第一部分：一般设置，J.高能物理。，09，第186条pp.（2021）·Zbl 1472.81216号
[10] Bhardwaj，L.，5d SCFT的风味对称性。第二部分。应用，J.高能物理。，04，第221条pp.（2021）
[11] Hanany，A。；Witten，E.，IIB型超弦，BPS单极子和三维规范动力学，Nucl。物理学。B、 492152-190（1997）·Zbl 0996.58509号
[12] 他，Y.-H.，深入了解风景
[13] 他，Y.-H.，Machine学习弦乐风景，Phys。莱特。B、 774564-568（2017）
[14] Krefl，D。；Seong，R.-K.，Calabi-Yau卷的机器学习，物理。D版，96，6，第066014条pp.（2017）
[15] Ruehle，F.，《用遗传算法进化神经网络来研究弦景观》，《高能物理学杂志》。，08，第038条pp.（2017）·Zbl 1381.83128号
[16] Carifio，J。；Halverson，J。；克里奥科夫，D。；Nelson，B.D.，《弦乐环境中的机器学习》，J.高能物理学。，09，第157条pp.（2017）·兹比尔1382.81155
[17] O.德沃尔夫。；豪尔，T。；伊克巴尔，A。；Zwiebach，B.，《揭示七骨架上的对称性：超越Kodaira分类》，高级提奥。数学。物理。，3, 1785-1833 (1999) ·Zbl 0967.81051号
[18] Ashmore，A。；他，Y.-H。；Ovrut，B.A.，机器学习Calabi-Yau度量，Fortschr。物理。，第68、9条，第2000068页（2020年）·Zbl 07765023号
[19] 道格拉斯，M.R。；Lakshminarasimhan，S。；Qi，Y.，全纯网络的数值Calabi-Yau度量
[20] 杰贾拉，V。；Mayorga Pena，D.K。；Mishra，C.，Calabi-Yau度量的神经网络近似·Zbl 1522.83001号
[21] 安德森，L.B。；Gerdes，M。；格雷，J。；Krippendorf，S。；Raghuram，N。；Ruehle，F.，来自机器学习的依赖于模的Calabi-Yau和SU（3）-结构度量，高能物理杂志。，05，第013条pp.（2021）·Zbl 1466.83111号
[22] Halverson，J。；B.纳尔逊。；Ruehle，F.，Branes with brains:探索弦真空与深度强化学习，《高能物理杂志》。，06，第003条pp.（2019）·Zbl 1416.83125号
[23] 布罗迪，C.R。；康斯坦丁，A。；迪恩·R。；Lukas，A.，机器学习线束上同调，Fortschr。物理。，68，1，第1900087条pp.（2020）·Zbl 07758957号
[24] Krippendorf，S。；欲望，D。；Syvaeri，M.，《机械可积性》，Fortschr。物理。，69，7，第2100057条pp.（2021）·兹比尔07767540
[25] Bao，J。；弗朗哥，S。；他，Y.-H。；赫斯特，E。；穆西克，G。；Xiao，Y.，Quiver突变，Seiberg二元性和机器学习，Phys。D版，102，8，第086013条，第（2020）页
[26] Bao，J。；他，Y.-H。；赫斯特，E。；霍夫谢尔，J。；Kasprzyk，A。；Majumder，S.，Hilbert系列，机器学习，物理应用，物理学。莱特。B、 827，第136966条pp.（2022）·Zbl 1487.81035号
[27] Chen，H.-Y。；他，Y.-H。；拉尔（Lal，S.）。；Zaz，M.Z.，共形场理论中的机器学习练习曲
[28] 拉弗斯，M。；卢卡斯，A。；Ruehle，F。；Schneider，R.，学习Calabi-Yau空间的大小和形状
[29] Gukov，S。；Halverson，J。；Ruehle，F。；苏考斯基（Sułkowski，P.），《学习未知》（Learning to unknot），马赫（Mach）。学习。科学。技术。，第2、2条，第025035页（2021年）
[30] He，Y.-H.，机器学习数学结构
[31] 他，Y.-H。；赫斯特，E。；Peterken，T.，《机械学习儿童：通过模块和Seiberg-Writed曲线的探索》，J.Phys。A、 54，7，第075401条pp.（2021）·Zbl 1519.14058号
[32] Bao，J。；他，Y.-H。；Hirst，E.，阿米巴上的神经元·Zbl 1519.14063号
[33] Bao，J。；他，Y.-H。；赫斯特，E。；霍夫谢尔，J。；Kasprzyk，A。；Majumder，S.，Polytopes和机器学习
[34] Chen，H.-Y。；他，Y.-H。；拉尔（Lal，S.）。；Majumder，S.，《机器学习谎言结构与物理应用》，物理。莱特。B、 817，第136297条pp.（2021）·Zbl 07408522号
[35] 伯曼，D.S。；他，Y.-H。；Hirst，E.，机器学习Calabi-Yau超曲面，Phys。D版，105，6，第066002条pp.（2022）
[36] Berglund等人。；坎贝尔，B。；Jejjala，V.，机器学习kreuzer-skarke Calabi-Yau三倍
[37] 布罗姆利，J。；Bentz，J.W。；博图，L。；Guyon，我。；LeCun，Y。；摩尔，C。；Säckinger，E。；Shah，R.，《使用暹罗时延神经网络进行签名验证》，《国际J·模式识别》。Artif公司。整数。，7 (1993)
[38] 他，Y.-H。；拉尔（Lal，S.）。；Zaz，M.Z.，《沙粒中的世界：凝聚弦真空简并
[39] 伯格曼，O。；罗德里格斯·戈麦斯（Rodríguez-Gómez，D.），《猫的摇篮：使更高等级的E_1和（widetilde）变形》{E} _1个\)理论，J.高能物理学。，02，第122条pp.（2021）
[40] 卡布雷拉，S。；Hanany，A。；Yagi，F.，《热带几何与无限耦合的五维希格斯分支》，《高能物理学杂志》。，01，第068条pp.（2019）·Zbl 1409.81094号
[41] van Beest，M。；布尔热，A。；埃克哈特，J。；Schafer-Nameki，S.，《波利尼西亚热带雨林中的（辛）叶和（5d希格斯）枝》，《高能物理杂志》。，第124条pp.（2020年）·Zbl 1461.81132号
[42] O.德沃尔夫。；Hanany，A。；伊克巴尔，A。；Katz，E.，五烷、七烷和五维E（n）场理论，高能物理学杂志。，03，第006条pp.（1999）·Zbl 0965.81091号
[43] Iqbal，A.，三膜和七膜背景下BPS结的Selfintersection数，高能物理学杂志。，10，第032条pp.（1999）·Zbl 0957.81034号
[44] Saxena，V.，《孤立复曲面奇点M理论的秩-两个5d SCFT：系统研究》，高能物理学杂志。，04，第198条pp.（2020）·Zbl 1436.81121号
[45] 阿巴迪，M。；阿加瓦尔，A。；巴勒姆，P。；Brevdo，E。；陈，Z。；Citro，C。；Corrado，G.S。；A.戴维斯。；迪安·J。；德文，M。；Ghemawat，S。；古德费罗，我。；竖琴，A。；欧文，G。；Isard，M。；贾毅。；Jozefowicz，R。；凯撒，L。；库德勒，M。；Levenberg，J。；马内，D。；蒙加，R。；摩尔，S。；Murray博士。；奥拉，C。；舒斯特，M。；Shlens，J。；斯坦纳，B。；Sutskever，I。；Talwar，K。；塔克，P。；Vanhoucke，V。；瓦苏德万，V。；维加斯，F。；葡萄酒，O。；监狱长，P。；Wattenberg，M。；维克，M。；Yu，Y。；Zheng，X.，TensorFlow:异构系统上的大规模机器学习（2015），软件可从
[46] 佩德雷戈萨，F。；瓦罗佐，G。；Gramfort，A。；米歇尔，V。；蒂里昂，B。；格里塞尔，O。；布隆德尔，M。；普雷滕霍弗，P。；Weiss，R。；杜堡，V。；范德普拉斯，J。；帕索斯，A。；库纳波，D。；布鲁彻，M。；佩罗，M。；Duchesnay，E.，Scikit-learn：《蟒蛇中的机器学习》，J.Mach。学习。第12号决议，2825-2830（2011年）·Zbl 1280.68189号
[47] Ekeeany，暹罗网络三重丢失（2019）
[48] 范德马滕。；Hinton，G.E.，《使用t-sne可视化高维数据》，J.Mach。学习。第92579-2605号决议（2008年）·兹比尔1225.68219
[49] Tralie，C。；索尔，N。；Bar-On，R.，Ripser.py:python的精益持久同源库，J.Open Sour。软质。，3、29、925（2018年9月）
[50] Cirafici，M.，《持久同源性和弦真空》，高能物理学杂志。，03，第045条pp.（2016）·Zbl 1388.81505号
[51] 科尔，A。；Shiu，G.，弦景观的拓扑数据分析，J.高能物理学。，03，第054条pp.（2019）·Zbl 1414.83083号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。