从剪切黏度深度学习黑洞度规
高能物理 - 理论
2020-12-15 v3 广义相对论与量子宇宙学
摘要
基于 AdS/CFT 对偶，我们构建了一个深度神经网络，从复频率依赖的剪切黏度中学习黑洞度规。该网络架构提供了剪切黏度的全息重整化群流的离散化表示，可应用于一大类强耦合场论。给定视界的存在并以时空的光滑性为指导，我们证明可以准确学习 Schwarzschild 与 Reissner-Nordström 度规。此外，我们说明深度神经网络的泛化能力可以极为出色，这表明通过将黑洞时空作为隐藏数据结构，可从窄频率范围生成宽频谱的剪切黏度。这些结果进一步推广到 Einstein-Maxwell-dilaton 黑洞。我们的工作不仅可能提出一种数据驱动研究全息输运的方法，也为全息对偶与深度学习提供了一些启示。
引用
@article{arxiv.2004.12112,
title = {Deep learning black hole metrics from shear viscosity},
author = {Yu-Kun Yan and Shao-Feng Wu and Xian-Hui Ge and Yu Tian},
journal= {arXiv preprint arXiv:2004.12112},
year = {2020}
}
备注
6+6 pages, 4 figures, 1 table