基于机器学习和纠缠熵的全息黑洞时空重建

我们在机器学习框架下探讨了从量子纠缠中涌现的 AdS 黑洞时空的体积重建。利用神经常微分方程配合蒙特卡洛积分，我们开发了一种针对连续训练函数，以从纠缠熵数据中提取通用各向同性体积度量的方法。为验证我们的 метод，我们首先将机器学习算法应用于源自 Gubser-Rocha 模型和超导体模型的全息纠缠熵数据，这些模型代表了全息情境下强耦合物质的典型模型。我们的算法成功从这些数据中提取了相应的体积度量。此外，我们通过采用半填充下费米子紧密链的纠缠熵数据，扩展了方法至多体系统，后者是典型的临界一维系统，并推导出相应的体积度量。我们发现，紧密链模型和 Gubser-Rocha 模型的度量相似。我们推测，这种相似性源于这些模型的金属特性。