从数据中学习S矩阵：通过符号回归从粒子耗散重获引力
高能物理 - 理论
2026-02-18 v1 机器学习
高能物理 - 唯象学
摘要
我们展示现代机器学习方法可从数值on-shell数据直接自动重建散射�幅的多个标志性解析结构。特别是，我们表明利用对颜色有序Yang-Mills振幅应用符号回归，可重新发现Kawai-Lewellen-Tye（KLT）关系。我们使用标准特征选择技术（ Specifically，列主轴QR分解），同时恢复Kleiss-Kuijf和Bern-Carrasco-Johansson（BCJ）关系，识别出最小部分振幅基，无需任何群论输入。我们获得的树水平KLT关系在最高五个外部脚数上具有高数值精度，仅使用最小理论先验，并就更高乘积的扩展方法提出了一些思考。我们的工作结果表明，符号回归是探索散射振幅景观解析结构的实用工具，并暗示了一种通用数据驱动策略用于发现一般理论中隐藏关系。我们与最近引入的神经网络方法进行了基准比较。
关键词
引用
@article{arxiv.2602.15169,
title = {Learning the S-matrix from data: Rediscovering gravity from gauge theory via symbolic regression},
author = {Nathan Moynihan},
journal= {arXiv preprint arXiv:2602.15169},
year = {2026}
}