[论文解读] Neural ODE and Holographic QCD

Koji Hashimoto, Hong-Ye Hu+1 more|arXiv (Cornell University)|Jun 1, 2020

Computational Physics and Python Applications参考文献 1被引用 8

一句话总结

该论文提出一种神经ODE框架，通过将网络权重视为连续的体度规函数，利用格点QCD手征凝聚能数据进行训练，以建模全息QCD。该方法自动发现黑洞视界，并在全息威尔逊环中重现了正确的温度依赖性禁闭和德拜屏蔽效应，实现了更高的精度，且消除了以往离散神经网络方法中常见的离散化伪影。

ABSTRACT

The neural ordinary differential equation (Neural ODE) is a novel machine learning architecture whose weights are smooth functions of the continuous depth. We apply the Neural ODE to holographic QCD by regarding the weight functions as a bulk metric, and train the machine with lattice QCD data of chiral condensate at finite temperature. The machine finds consistent bulk geometry at various values of temperature and discovers the emergent black hole horizon in the holographic bulk automatically. The holographic Wilson loops calculated with the emergent machine-learned bulk spacetime have consistent temperature dependence of confinement and Debye-screening behavior. In machine learning models with physically interpretable weights, the Neural ODE frees us from discretization artifact leading to difficult ingenuity of hyperparameters, and improves numerical accuracy to make the model more trustworthy.

研究动机与目标

• 通过用连续深度动力学替代离散层，消除基于神经网络的全息模型中的离散化伪影。
• 通过利用自适应ODE求解器，提高从格点QCD数据学习体时空几何的数值精度。
• 通过将网络权重与弯曲时空中的连续度规函数对应，实现可物理解释的机器学习。
• 证明神经ODE能够自主地从手征凝聚能数据中发现关键物理特征，如黑洞视界。
• 通过计算与已知格点QCD行为一致的全息威尔逊环，验证所涌现的几何结构。

提出的方法

• 神经ODE框架用连续深度的常微分方程替代离散残差层，其中网络权重是深度的光滑函数。
• 模型使用有限温度下格点QCD的手征凝聚能数据作为边界输入进行训练。
• ODE中的速度函数由神经网络参数化，用于学习体时空的度规分量g(η)和f(η)。
• 通过伴随法实现对ODE的反向传播，求解关于参数和初始条件的梯度。
• 利用所涌现的度规计算全息威尔逊环，并与格点QCD结果对比以验证模型。
• 由于连续权重本身具有平滑性，该方法从设计上避免了人工正则化。

实验结果

研究问题

• RQ1 连续深度神经网络架构（神经ODE）能否在无离散化伪影的情况下，从未知的格点QCD数据中学习到具有物理意义的体度规？
• RQ2 神经ODE框架能否从手征凝聚能数据中自动发现全息QCD的关键特征，如黑洞视界？
• RQ3 所涌现的体几何能否在全息威尔逊环中重现禁闭和德拜屏蔽的正确温度依赖性？
• RQ4 与离散神经网络模型相比，神经ODE在全息QCD中如何提升数值精度？
• RQ5 所学习的度规在多大程度上可用于推断底层体作用量，如爱因斯坦-标量重力？

主要发现

• 神经ODE成功学习到与已知全息QCD几何一致的体度规，其依据是格点QCD手征凝聚能数据。
• 该模型在未施加显式正则化或先验知识的情况下，自动发现了体时空中的黑洞视界。
• 从所学习几何结构计算出的全息威尔逊环表现出正确的温度依赖行为，包括禁闭和德拜屏蔽效应。
• 由于采用自适应ODE求解器且避免了欧拉法误差，该方法相比以往离散模型实现了更高的数值精度。
• 此前为抑制离散化伪影而必需的人工正则化项，在神经ODE框架中已不再需要。
• 该模型表明，由度规导出的体积因子在不同温度下保持一致，表明所涌现的几何结构具有稳定性。