[論文レビュー] Calabi-Yau Metrics with Kähler Moduli Dependence

Andrei Constantin, Andre Lukas+1 more|arXiv (Cornell University)|Mar 12, 2026

Geometry and complex manifolds被引用数 0

ひとこと要約

論文は、ニューラルネットワークと解析的再構成を組み合わせたハイブリッド手法により、Calabi–Yau三重体のKählerモジュuliに明示的に依存する閉形式のRicci-フリーKählerポテンシャルを生成し、2つのh^{1,1}=2の例で実証する。

ABSTRACT

We present a method to construct approximate analytic expressions for Ricci-flat Kähler metrics on Calabi-Yau threefolds with explicit dependence on the Kähler moduli. Our strategy combines numerical data obtained from machine learning with an explicit analytic Ansatz for the Kähler potential and symbolic regression methods. Specifically, we use neural networks to learn the Kähler potential at selected points in Kähler moduli space, fit this data to analytic expressions with Kähler moduli-dependent parameters, and determine an analytic form of these coefficients as functions of the Kähler moduli using symbolic regression. In this way, we reconstruct closed-form approximations to the Ricci-flat metric that retain explicit Kähler-moduli dependence. We apply this method to two Calabi-Yau threefolds with $h^{1,1}=2$, namely a bicubic hypersurface in $\mathbb{P}^2 imes \mathbb{P}^2$ and a bi-degree $(2,4)$ hypersurface in $\mathbb{P}^1 imes \mathbb{P}^3$, both of which admit nontrivial discrete symmetry groups that simplify the structure of the metric. In both cases, the resulting analytic expressions reproduce the numerically learned Kähler potentials with percent-level accuracy and respect the discrete symmetry of the underlying manifold. Our results represent a concrete bridge between purely numerical results for Calabi-Yau metrics and analytic constructions, opening the door to a systematic study of their dependence on Kähler moduli.

研究の動機と目的

• 弦理論フェノロジーにおける解析的でモジュリ依存のRicci-flat計量の必要性を動機づける。
• 数値的学習と解析的再構成を組み合わせ、明示的なKählerモジュuli依存性を得るハイブリッド戦略を開発する。
• h^{1,1}=2を持つCalabi–Yau三重体に適用し、精度と対称性の性質を示す。
• 数値的に学習したKählerポテンシャルを百分率レベルの精度で再現する閉形式近似を提供する。

提案手法

• ニューラルネットワークを用いてKählerモジュリ空間の選択点でRicci-フリーKählerポテンシャルを学習する。
• Kählerポテンシャルの係数がKählerモジュリに依存する明示的な解析的ア Ansatzを提案する。
• 離散対称群が存在する場合に係数をN禁制不変のsingletに削減する対称性適合基底を課す。
• モジュリ依存係数を解析関数として適合させるために記号回帰を適用する。
• モジュリ依存係数をKählerポテンシャルの Ansatz に挿入して閉形式の近似計量を得る。
• 百分率レベルのずれを持つ数値的に学習したKählerポテンシャルと比較して精度を示す。

Figure 1 : Left: final $\sigma$ -measure achieved by the neural network as a function of the moduli ratio $t_{1}/t_{2}$ . Right: average percentage deviation $\langle|K_{N}-K|/K_{N}\rangle$ as a function of $t_{1}/t_{2}$ , comparing different ansätze for the Kähler potential. The blue points corresp

実験結果

リサーチクエスチョン

• RQ1 数値データから出発してRicci-フリーCalabi–Yau計量の解析的・モジュリ依存近似をどのように構築できるか？
• RQ2 有限次元で対称性を尊重するAnsatz が複数のKählerモジュリ依存性を捉えつつ計算的に扱いやすいか？
• RQ3 ハイブリッドなニューラルネットと解析再構成がKählerポテンシャルをモジュリ空間全体で再現する精度はどの程度か？
• RQ4 離散対称性はKählerポテンシャルの形を単純化しつつ妥当性や対称性を損なわないか？
• RQ5 2つのKählerモジュリを持つ異なるCalabi–Yau幾何（h^{1,1}=2）で方法はどの程度機能するか？

主な発見

• この手法はKählerモジュール依存性を明示した閉形式のKählerポテンシャルを生成する。
• P^2×P^2のbicubic X では、解析的なKählerポテンシャルと数値的に学習したものの間で百分率レベルの一致が得られる。
• P^1×P^3の(2,4)超曲面では対称性適合な不変基底によりモジュリ依存係数が正確に得られる。
• 記号回帰は数値データをよく再現するモジュリ依存係数の解析表現を提供する。
• 非対角係数は抑制されることが分かり、得られた表現は多様体の離散対称性を満たす。
• このアプローチは数値的な計量データと解析的構成の橋渡しを提供し、モジュール空間の体系的な研究を可能にする。

Figure 2 : Best-fit coefficients as functions of $t_{1}/t_{2}$ for the $(k_{1},k_{2})=(2,2)$ truncation. Out of the $36\times 36$ entries of the Hermitian matrix $\alpha_{IJ}$ , only $36$ , the diagonal entries, are non-vanishing within numerical accuracy; these naturally organise into eight groups,