Aprendizaje profundo y QCD holográfico

Aplicamos la relación entre el aprendizaje profundo (DL) y la correspondencia AdS/CFT a un modelo holográfico de QCD. Utilizando datos de QCD en retículo del condensado quiral a una temperatura finita como nuestros datos de entrenamiento, el procedimiento de aprendizaje profundo determina holográficamente una métrica emergente del volumen como pesos de la red neuronal. Se encuentra que la métrica emergente del volumen tiene tanto un horizonte de agujero negro como una pared IR de altura finita, por lo que comparte ambas fases: la fase de confinamiento y la fase de desconfinamiento, señalando la transición de fase térmica cruzada de la QCD. De hecho, un potencial de quark-antiquark calculado holográficamente por la métrica emergente del volumen resulta poseer tanto la parte lineal de confinamiento como la parte de apantallamiento de Debye, como se observa a menudo en QCD en retículo. A partir de esto, argumentamos la discrepancia entre la ruptura de la simetría quiral y el confinamiento de quarks en la QCD holográfica. Se muestra que el método de DL proporciona un modelado holográfico novedoso basado en datos de la QCD, y aclara el mecanismo de emergencia de las geometrías del volumen en la correspondencia AdS/CFT.