数据驱动的爱因斯坦-斯迈尔顿模型用于纯 Yang-Mills 热力学与胶束谱

我们发展了一种基于机器学习的全息模型，能够一致地描述纯 Yang-Mills 理论的方程状态和胶束谱。该框架通过神经网络重构爱因斯坦-斯迈尔顿引力，纳入了晶格 QCD 数据的关键非扰动约束：基态($0^{++}$)和第一激发态($0^{++*}$)标量胶束质量确定红外(IR)几何结构，而熵密度数据锚定紫外(UV)行为。多阶段神经网络优化最终得到完整引力偶像——错位因子 $A(z)$ 和斯迈尔顿场 $\Phi(z)$——满足光谱和热力学约束。该模型准确再现了脱缚相变热力学(压强、能量密度、迹异常)，并预测了更高激发态的胶束($0^{++**}$, $0^{++***}$)，与可用的晶格计算结果一致。该工作建立了数据驱动式全息重构的新范式，解决了统一描述约束热力学与光谱的长期挑战。