[論文レビュー] Machine Learning Algebraic Geometry for Physics

Jiakang Bao, Yang‐Hui He+2 more|arXiv (Cornell University)|Apr 21, 2022

Geological Modeling and Analysis被引用数 4

ひとこと要約

本稿は、理論物理学における機械学習（ML）と代数幾何学の統合をレビューし、特に教師ありおよび教師なし学習のML手法が、カーラビ＝ヤウ多様体、ポリトープ、ヒルベルト級数などの弦理論におけるテンソルベースの幾何的構造をどのようにマッピングできるかに焦点を当てる。主な貢献は、ケーラー幾何学、ヘッセ多様体、最適輸送理論を深層ニューラルネットワーク、特にGANなどの生成モデルと結びつける概念的・計算的辞書の構築であり、ブレニエポテンシャルとモンジュ＝アンペール方程式を介して実現される。

ABSTRACT

We review some recent applications of machine learning to algebraic geometry and physics. Since problems in algebraic geometry can typically be reformulated as mappings between tensors, this makes them particularly amenable to supervised learning. Additionally, unsupervised methods can provide insight into the structure of such geometrical data. At the heart of this programme is the question of how geometry can be machine learned, and indeed how AI helps one to do mathematics. This is a chapter contribution to the book Machine learning and Algebraic Geometry, edited by A. Kasprzyk et al.

研究の動機と目的

• 理論物理学における複雑な代数幾何的構造（特に弦理論において）を分析・分類するために機械学習がどのように利用できるかを調査すること。
• 微分幾何学（例：ケーラー汎関数、ヘッセ多様体）と深層ニューラルネットワークアーキテクチャ（例：GAN、オートエンコーダ）の間の概念的・計算的対応関係を確立すること。
• 主成分分析（PCA）、クラスタリング、ニューラルネットワークなどのML手法が、弦のランドスケープからの高次元幾何データに隠されたパターンや対称性を明らかにできることを示すこと。
• 最適輸送理論が代数幾何学の幾何的構造と機械学習における生成モデルを統合する役割を果たす方法を探索すること。
• 幾何的対象（例：ケーラー汎関数、計量）をニューラルネットワークの構成要素（例：識別器、生成器、ポテンシャル）にマッピングする辞書を提唱し、分野間の洞察を可能にすること。

提案手法

• 代数的多様体（例：超曲面、ポリトープ、ヒルベルト級数）のテンソル表現を物理的・幾何的不変量へマッピングする教師あり学習を用いる。
• 主成分分析（PCA）やクラスタリングなどの教師なし手法を用いて、高次元幾何データ内の低次元構造や自由度を同定する。
• 生成対抗ネットワーク（GAN）を用いて幾何的対象の分布をモデル化し、生成器が合成されたカーラビ＝ヤウ多様体や関連構造を学習するようにする。
• 最適輸送におけるモンジュ＝アンペール方程式と複素幾何学におけるケーラー汎関数の間の対応関係を確立し、ブレニエポテンシャルをブリッジとして用いる。
• GANにおける識別器関数を最適輸送のカンタロヴィッチポテンシャルに対応させ、生成器の出力を最適輸送写像に対応付ける。
• ヘッセ多様体構造を用いてケーラー汎関数の双対幾何とニューラルネットワークの損失関数の幾何的構造とを関連づけ、特に生成器の目的関数のヘッセ行列を通じて実現する。

実験結果

リサーチクエスチョン

• RQ1 機械学習をどのように体系的に応用することで、弦のランドスケープにおけるカーラビ＝ヤウ3次元多様体や関連代数多様体の不変量を分類・予測できるか？
• RQ2 GANに実装された最適輸送理論におけるブレニエポテンシャルと、複素幾何学におけるケーラー汎関数との数学的対応関係は何か？
• RQ3 主成分分析（PCA）やクラスタリングなどの教師なしML手法が、代数幾何学における幾何データの内在次元数や対称性構造をどのように明らかにできるか？
• RQ4 GANにおける生成プロセスは、代数多様体の空間上の多様体上で解かれる幾何的最適輸送問題としてどのように解釈できるか？
• RQ5 多様体とそのヘッセ双対の双対性が、ニューラルネットワークの損失関数の幾何と最適化ダイナミクスにどのように反映されるか？

主な発見

• ケーラー幾何学と深層生成モデルの間の形式的辞書を確立し、最適輸送におけるブレニエポテンシャルとケーラー汎関数を同定した。
• GANにおける最適輸送を支配するモンジュ＝アンペール方程式が、ケーラー幾何学における複素ヘッセ方程式に対応しており、両者のフレームワークを数学的に結びつけた。
• GANの生成器は、潜在分布からデータ多様体への最適輸送写像として解釈でき、識別器関数はカンタロヴィッチポテンシャルに対応する。
• ケーラー汎関数のヘッセ構造が、生成器の損失関数のヘッセ行列と一致し、幾何的曲率と最適化の損失関数の幾何的構造との双対性を示唆した。
• この対応関係により、生成されたサンプルがGANの識別器によって実際の幾何データと区別できないほどであり、複雑な代数多様体（例：カーラビ＝ヤウ多様体）からのサンプリングがニューラルネットワークを用いて可能になった。
• このフレームワークにより、テンソル表現に基づくブレーンウェブ、クオーバーミューテーション、デッサン・ダンファンの生成と分類を学習することで、弦のランドスケープを探索するためのMLの応用が可能になった。