[论文解读] 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 12

一句话总结

本论文表明，前馈神经网络能够有效学习并分类共形场论（CFT）中的关键结构，包括在三点函数中区分标度不变性与共形不变性、以接近100%的准确率识别满足交叉对称性的四点函数，以及预测结构系数（OPE coefficients）和共形块（conformal block）结构。该方法可实现从OPE数据中进行数据驱动的对称性与谱特征发现，包括在3d Is斯ing模型中对Z₂奇偶性算符的分类以及对高自旋算符扭曲度的回归。

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.

研究动机与目标

• 探究机器学习是否能从OPE和相关函数数据中提取并分类共形场论的基本结构特征。
• 评估神经网络在无先验理论知识的情况下，识别CFT数据中共形对称性、交叉对称性及离散对称性属性（如Z₂）的能力。
• 探索利用机器学习预测假设性四点函数中OPE系数与共形块贡献的可能性。
• 评估机器学习从3d Ising模型中已知的OPE数据外推物理数据（如高自旋算符扭曲度）的潜力。
• 为将机器学习技术应用于共形bootstrap程序奠定基础，特别是在从数值或解析输入中恢复物理数据方面。

提出的方法

• 采用具有ReLU激活函数的相对简单的前馈神经网络，处理源自相关函数和OPE系数的数据。
• 使用标注数据集（如标量三点函数的标度不变性与共形不变性）和四点函数数据集（交叉对称与非交叉对称）进行网络训练，以执行分类任务。
• 利用回归网络从3d Ising模型中标量OPE数据预测OPE系数与高自旋算符的扭曲度。
• 应用主成分分析（PCA）以解释神经网络检测函数展开中缺失共形块或傅里叶模式的能力。
• 采用标准的机器学习训练流程：定义损失函数（如回归任务的均方误差、分类任务的交叉熵）、使用随机梯度下降进行优化，并在测试数据上评估性能。
• 将输入特征结构化为OPE系数或离散点上函数值的向量，以表示CFT数据供网络处理。

实验结果

研究问题

• RQ1 机器学习能否以高准确率区分CFT中标量算符的标度不变性与共形不变性三点函数？
• RQ2 神经网络在多大程度上能从OPE数据或函数值中识别出交叉对称的四点函数？
• RQ3 神经网络能否准确预测四点函数中特定共形块对应的OPE系数？
• RQ4 机器学习能否仅基于OPE系数数据对主算符按离散对称性（如Z₂）进行分类？
• RQ5 经过训练的网络能否从3d Ising模型中已知的OPE数据外推高自旋算符在标量OPE通道中的扭曲度？

主要发现

• 神经网络在分类标量算符的标度不变性与共形不变性三点函数方面达到了接近100%的准确率。
• 相同网络在分类交叉对称四点函数时也实现了接近100%的准确率，表明其在共形对称性检测方面具有强大的泛化能力。
• 神经网络成功预测了四点函数中特定共形块的OPE系数，准确度合理，表明其具备提取精细动力学数据的能力。
• 网络能够识别函数展开中特定共形块或傅里叶模式的缺失，这一非平凡能力可通过主成分分析（PCA）加以解释。
• 在3d Ising模型中，机器学习模型仅基于OPE系数数据即可将主算符分类为Z₂偶或奇，显示出对称性发现的潜力。
• 基于3d Ising模型中标量算符已知OPE数据训练的回归模型，成功预测了OPE通道中高自旋算符的扭曲度，表明其具备外推能力。