[論文レビュー] Machine Learning Etudes in Conformal Field Theories

Heng-Yu Chen, Yang‐Hui He+2 more|arXiv (Cornell University)|Jun 29, 2020

Quantum many-body systems参考文献 45被引用数 12

ひとこと要約

この論文は、順方向型ニューラルネットワークが、共形場理論（CFT）の重要な構造を効果的に学習・分類できることを示している。具体的には、3点関数におけるスケーリング不変性と共形不変性の区別、交差対称性を持つ4点関数の99%に近い正確な識別、構成係数（OPE係数）および共形ブロック構造の予測が可能である。この手法により、OPEデータから対称性やスペクトル特徴をデータ駆動で同定でき、3次元イジング模型におけるZ₂奇・偶演算子の分類や、高スピン演算子のトレースの回帰が可能となる。

ABSTRACT

We demonstrate that various aspects of Conformal Field Theory are amenable to machine learning. Relatively modest feed-forward neural networks are able to distinguish between scale and conformal invariance of a three-point function and identify a crossing-symmetric four-point function to nearly a hundred percent accuracy. Furthermore, neural networks are also able to identify conformal blocks appearing in a putative CFT four-point function and predict the values of the corresponding OPE coefficients. Neural networks also successfully classify primary operators by their quantum numbers under discrete symmetries in the CFT from examining OPE data. We also demonstrate that neural networks are able to learn the available OPE data for scalar correlation function in the 3d Ising model and predict the twists of higher-spin operators that appear in scalar OPE channels by regression.

研究の動機と目的

• OPEおよび相関関数データから共形場理論の基本的構造的特徴を機械学習が抽出・分類できるかどうかを調査すること。
• 理論的知識を事前に持たない状態で、ニューラルネットワークがOPEデータや関数値から共形不変性、交差対称性、離散的対称性（例：Z₂）の性質を認識できる能力を評価すること。
• 機械学習を用いて、仮定された4点関数における構成係数および共形ブロック寄与を予測する方法を検討すること。
• 3次元イジング模型における既知のOPEデータから、高スピン演算子のトレースを外挿できるかどうかを評価すること。
• 数値的または解析的入力から物理的データを回復するという目的で、機械学習手法を共形ブートストラップ計画に応用する基盤を構築すること。

提案手法

• 相関関数およびOPE係数から得られる入力データを処理する、比較的単純な順方向型ニューラルネットワーク（ReLU活性化関数を用いる）を採用する。
• ラベル付きデータセット（例：スケーリング不変 vs. 共形不変の3点関数、交差対称 vs. 非交差対称の4点関数）を用いて、分類タスクを実行する。
• 3次元イジング模型におけるスカラーOPEデータから、高スピン演算子のトレースを予測する回帰ネットワークを用いる。
• 主成分分析（PCA）を用いて、ニューラルネットワークが関数展開における欠落した共形ブロックやフーリエモードを検出できる能力を解釈する。
• 標準的な機械学習トレーニングパイプラインを適用：損失関数（回帰には平均二乗誤差、分類にはカテゴリカル交差エントロピー）、確率的勾配降下法による最適化、テストデータでの性能評価。
• 入力特徴をOPE係数または離散的点における関数値のベクトルとして構造化し、ネットワーク処理用のCFTデータとして表現する。

実験結果

リサーチクエスチョン

• RQ1 機械学習は、スカラー演算子の3点関数について、スケーリング不変性と共形不変性を高い正確さで区別できるか？
• RQ2 ニューラルネットワークは、OPEデータや関数値から、交差対称性を持つ4点関数をどの程度正確に同定できるか？
• RQ3 ニューラルネットワークは、4点関数における特定の共形ブロックに関連するOPE係数を予測できるか？
• RQ4 OPE係数データのみを用いて、MLは離散的対称性（例：Z₂）における一次演算子の量子数を分類できるか？
• RQ5 訓練済みのネットワークは、3次元イジング模型における既知のOPEデータから、スカラーOPEチャネル内の高スピン演算子のトレースを外挿できるか？

主な発見

• ニューラルネットワークは、スカラー演算子のスケーリング不変性と共形不変性の3点関数を99%に近い正確さで分類した。
• 同じネットワークは、交差対称性を持つ4点関数を99%に近い正確さで分類し、共形不変性検出への優れた一般化能力を示した。
• ニューラルネットワークは、特定の共形ブロックに対するOPE係数を妥当な正確さで予測し、微細な力学的データを抽出できる能力を示した。
• ネットワークは、関数展開における特定の共形ブロックやフーリエモードの欠落を同定でき、これは主成分分析により説明可能な、非自明な能力であった。
• 3次元イジング模型において、MLモデルはOPE係数データのみを用いて、一次演算子をZ₂偶・奇に分類でき、対称性の発見可能性を示した。
• 既知のスカラー演算子のOPEデータを学習した回帰モデルは、OPEチャネル内の高スピン演算子のトレースを成功裏に予測し、外挿能力を示した。