[论文解读] 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 0

一句话总结

论文提出一种混合方法，结合神经网络与解析重构，针对 Calabi–Yau 三维流形的 Ricci-flat Kähler 势能在 Kähler 模量上具有显式依赖，已在两个 h^{1,1}=2 的例子上演示。

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.

研究动机与目标

• 在弦理论表观物理中说明分析、模态独立的 Ricci-flat 度量的需求。
• 开发一种混合策略，将数值学习与解析重构结合起来，以获得显式的 Kähler 模态依赖。
• 将方法应用于 h^{1,1}=2 的 Calabi–Yau 三维流形，以展示精度与对称性性质。
• 提供闭式近似，以百分比级别的精度再现数值学习的 Kähler 势。

提出的方法

• 使用神经网络在 Kähler 模度空间的选定点学习 Ricci-flat Kähler 势。
• 提出一个显式解析 Ansatz 用于 Kähler 势，其系数依赖于 Kähler 模量。
• 在离散对称群存在时，采用对称性适应基来将系数简化为 N 不变的单态。
• 应用符号回归拟合模态依赖的系数为解析函数。
• 将模态依赖的系数代入 Kähler 势 Ansatz 以获得闭式近似度量。
• 通过与数值学习的 Kähler 势比较来证明精度，偏差在百分比级别。

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

实验结果

研究问题

• RQ1 如何从数值数据出发，构建解析的、模态依赖的 Ricci-flat Calabi–Yau 度量近似？
• RQ2 是否可以用一个有限维、遵循对称性的 Ansatz 捕捉多重 Kähler 模态的显式依赖，同时保持计算可行性？
• RQ3 混合神经网络与解析重构在再现模态空间中的 Kähler 势方面的精度如何？
• RQ4 离散对称性是否在不损害有效性或对称性性质的前提下简化 Kähler 势的形式？
• RQ5 该方法在具有两个 Kähler 模量的不同 Calabi–Yau 几何（h^{1,1}=2）上的表现如何？

主要发现

• 该方法给出具有显式 Kähler 模态依赖的 Kähler 势的闭式解析表达式。
• 对于 Bicubic X in P^2×P^2，解析与数值学习的 Kähler 势之间达到百分比级别的一致性。
• 对于 P^1×P^3 中的 (2,4) 超曲面，对称性适应的不变基系数具有良好模态依赖性。
• 符号回归提供了模态依赖系数的解析表达式，能够很好再现数值数据。
• 对角线外的系数被发现受抑制，所得表达式尊重流形的离散对称性。
• 该方法在数值度量数据与解析构造之间建立了一座桥梁，促进对模态空间的系统研究。

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,