[论文解读] The Calabi-Yau Landscape: from Geometry, to Physics, to Machine-Learning

Yang‐Hui He|arXiv (Cornell University)|Dec 7, 2018

Black Holes and Theoretical Physics参考文献 291被引用 46

一句话总结

一份关于 Calabi–Yau 面在几何、物理学与数据驱动机器学习之间的综述与教学性探讨，突出数据集（例如 CICY、Kreuzer–Skarke）及早期将 ML 应用于代数几何的应用。

ABSTRACT

We present a pedagogical introduction to the recent advances in the computational geometry, physical implications, and data science of Calabi-Yau manifolds. Aimed at the beginning research student and using Calabi-Yau spaces as an exciting play-ground, we intend to teach some mathematics to the budding physicist, some physics to the budding mathematician, and some machine-learning to both. Based on various lecture series, colloquia and seminars given by the author in the past year, this writing is a very preliminary draft of a book to appear with Springer, by whose kind permission we post to ArXiv for comments and suggestions.

研究动机与目标

• 介绍 Calabi–Yau 流形在数学与物理中的动机及在弦理论中的作用。
• 总结主要的 Calabi–Yau 数据集及其拓扑/几何量。
• 解释计算工具与数据驱动方法如何用于研究 Calabi–Yau 空间及其性质。
• 强调在 Calabi–Yau 数据交叉点上，机器学习与代数几何的最新发展。

提出的方法

• 回顾 Calabi–Yau 几何的基础概念（Ricci-flat Kähler 度量、Calabi 猜想与 Yau 定理）。
• 描述关键的 Calabi–Yau 数据集（CICY、KS 数据、带权投影空间中的超曲面）及其拓扑统计量。
• 讨论计算代数几何工具（如 Gröbner 基、精确序列）以及用于计算不变量（Hodge 数、上同调）的数据库。
• 介绍应用于代数几何与 Calabi–Yau 数据的机器学习范式（回归、神经网络、数据驱动的模式发现）。
• 绘制紧致与非紧致 CY 场景及其物理含义的全景图（紧致化、量子色理论、膜晶格）。

实验结果

研究问题

• RQ1 从 Calabi–Yau 数据集中可以学习的主要数据驱动模式是什么？
• RQ2 机器学习如何帮助计算或预测 Calabi–Yau 流形的拓扑与几何不变量？
• RQ3 存在哪些 Calabi–Yau 数据库，它们编码了哪些拓扑/统计量？
• RQ4 计算工具如何与弦理论与代数几何中的物理启发问题进行整合？
• RQ5 在扩展或发现新的 Calabi–Yau 结构及其性质方面，ML 的作用是什么？

主要发现

• Calabi–Yau 流形是几何、物理、计算与数据科学交汇的核心点。
• 像 CICY 与 Kreuzer–Skarke 这样的数据集提供了大规模的 Calabi–Yau 空间及不变量目录（以及大量数字）。
• 机器学习方法在学习代数几何数据方面显示出潜力，包括在 CY 数据集上进行上同调计算及其他不变量的学习。
• 一个广泛的计算代数系统与数据库生态系统（Macaulay2、Singular、Bertini、GAP、MAGMA、PARI/GP、SageMath）支持 CY 研究与数据挖掘。
• 该工作强调一种数据驱动、计算驱动的 CY 景观研究方法，涵盖紧致与非紧致簇的变体，以及与膜晶格、量子团、AdS/CFT 的跨学科联系。
• 作者将 CY 景观框定为探索计算代数几何与数据科学的乐园，而非传统的以理论为中心的文本。