基于强化学习的共形Bootstrap
高能物理 - 理论
2022-02-02 v3
摘要
我们将强化学习(RL)技术引入共形bootstrap纲领。我们证明,合适的软Actor-Critic RL算法可在标度维数与OPE平方系数的空间中执行高效、相对廉价的高维搜索,从单一交叉方程中为数十个CFT数据产生合理结果。本文在著名的2D CFT中测试该方法,特别关注Ising与三临界Ising模型以及自由紧致化玻色子CFT。我们给出高达36维搜索的结果,其唯一输入为交叉方程共形块分解截断中每自旋算符的期望数量。我们对2D CFT的研究仅使用共形代数的全局部分,且我们的方法同样适用于高维CFT。当与已有的其他数值和分析方法结合时,我们期望该方法为任意(幺正或非幺正)CFT的非微扰结构提供令人振奋的新窗口。
引用
@article{arxiv.2108.09330,
title = {Conformal Bootstrap with Reinforcement Learning},
author = {Gergely Kántor and Vasilis Niarchos and Constantinos Papageorgakis},
journal= {arXiv preprint arXiv:2108.09330},
year = {2022}
}
备注
54 pages; v2: typos corrected and references added; v3: minor corrections