Ecuación diferencial ordinaria neural y cromodinámica cuántica holográfica

Resumen La ecuación diferencial ordinaria neural (ODE neural) es una arquitectura de aprendizaje automático novedosa cuyas ponderaciones son funciones suaves de la profundidad continua. Aplicamos la ODE neural a la QCD holográfica al considerar las funciones de peso como una métrica del volumen, y entrenamos la máquina con datos de QCD en red del condensado quirales a temperatura finita. La máquina encuentra una geometría consistente del volumen a varios valores de temperatura y descubre automáticamente el horizonte de agujero negro emergente en el volumen holográfico. Los lazos de Wilson holográficos calculados con el espacio-tiempo emergente aprendido por la máquina tienen una dependencia de temperatura consistente en el comportamiento de confinamiento y apantallamiento de Debye. En modelos de aprendizaje automático con pesos físicamente interpretables, la ODE neural nos libera del artefacto de discretización que genera la difícil ingeniería de hiperparámetros, y mejora la precisión numérica para hacer el modelo más confiable.