Learning the Simplicity of Scattering Amplitudes

要約

複雑な式の単純化と再構成は、特に理論的な高エネルギー物理学の進歩の核心です。
この研究では、この課題の特定の側面、つまりスピノル ヘリシティ変数で表現される散乱振幅を単純化するタスクへの機械学習の適用を検討します。
我々は、エンコーダ/デコーダ変換アーキテクチャが、少数の項で構成される式に対して優れた簡略化機能を達成することを実証します。
より長い式は追加の埋め込みネットワークに実装され、対照学習を使用してトレーニングされ、単純化される可能性が高い部分式が分離されます。
結果として得られるフレームワークは、場の量子論の計算ではよくある数百の項を含む式を、非常に単純な同等の式に削減することができます。
私たちのネットワークは、長い入力式から開始して、5 点グルーオン散乱のパーク・テイラー公式と、スカラーと重力子を含む 5 点振幅の新しいコンパクトな式を生成できます。
インタラクティブなデモンストレーションは https://spinorhelicity.streamlit.app でご覧いただけます。

要約(オリジナル)

The simplification and reorganization of complex expressions lies at the core of scientific progress, particularly in theoretical high-energy physics. This work explores the application of machine learning to a particular facet of this challenge: the task of simplifying scattering amplitudes expressed in terms of spinor-helicity variables. We demonstrate that an encoder-decoder transformer architecture achieves impressive simplification capabilities for expressions composed of handfuls of terms. Lengthier expressions are implemented in an additional embedding network, trained using contrastive learning, which isolates subexpressions that are more likely to simplify. The resulting framework is capable of reducing expressions with hundreds of terms – a regular occurrence in quantum field theory calculations – to vastly simpler equivalent expressions. Starting from lengthy input expressions, our networks can generate the Parke-Taylor formula for five-point gluon scattering, as well as new compact expressions for five-point amplitudes involving scalars and gravitons. An interactive demonstration can be found at https://spinorhelicity.streamlit.app .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google