Conformal Fields from Neural Networks
James Halverson, Joydeep Naskar, Jiahua Tian
我们使用嵌入形式主义来构建D维度中的一致性场,通过将(D+2)维度中同质神经网络的Loentz-不变集合限制在投影空锥体中。 可以使用神经网络的参数空间描述来计算构象相关性。 精确的四点关联器在多个示例中计算,我们执行一个4D构象块分解,阐明了光谱。 在一些例子中,分析是通过最近对费曼整体的方法促进的。 广义自由CFT使用神经网络的无限宽高斯过程极限构建,从而实现自由玻色子。 深度网络的扩展在后续的每个层构建构象字段,与它们的一致性维度和四点函数相关的递归关系。 讨论数值方法。
We use the embedding formalism to construct conformal fields in D dimensions, by restricting Lorentz-invariant ensembles of homogeneous neural networks in (D+2) dimensions to the projective null cone. Conformal correlators may be computed using the parameter space description of the neural network. Exact four-point correlators are computed in a number of examples, and we perform a 4D conformal block decomposition that elucidates the spectrum. In some examples the analysis is facilitated by recen...