识别机器学习对称性的群论结构
高能物理 - 唯象学
2023-09-15 v1 机器学习
高能物理 - 理论
数学物理
群论
math.MP
摘要
深度学习最近被成功用于推导保持重要物理量的对称变换。由于完全不可知，这些技术将所发现对称性的识别推迟到后续阶段。在本快报中，我们提出用于检验和识别此类机器学习对称性的群论结构的方法。我们设计损失函数，在对称性发现的深度学习阶段或后续后处理阶段探测子代数结构。我们用来自 U(n) Lie 群族的示例说明新方法，获得相应的子代数分解。作为对粒子物理的应用，我们展示了对非阿贝尔规范对称性（如模型构建中常用的 SU(3) 和 SU(5)）自发破缺后剩余对称性的识别。
引用
@article{arxiv.2309.07860,
title = {Identifying the Group-Theoretic Structure of Machine-Learned Symmetries},
author = {Roy T. Forestano and Konstantin T. Matchev and Katia Matcheva and Alexander Roman and Eyup B. Unlu and Sarunas Verner},
journal= {arXiv preprint arXiv:2309.07860},
year = {2023}
}
备注
10 pages, 8 figures, 2 tables