学习散射�幅的简洁性

在理论高能物理中，复杂表达式的简化与重新组织是科学进步的核心。本文探索了将机器学习应用于这一挑战的一个方面：以spinor-helicity变量表示的散射�幅的简化任务。我们展示，encoder-decoder transformer架构为由少量术语组成的表达式实现了令人印象深刻的简化能力。对于更长的表达式，引入额外的嵌入网络，通过对比学习训练，以隔离更可能简化的子表达式。 resulting framework 能够将由数百个术语构成的表达式（量子场论计算中常见）大幅简化为等价的更简单表达式。从冗长的输入表达式出发，我们的网络可以生成五点gluon散射的Parke-Taylor公式，以及涉及scalar和graviton的五点�幅的新的紧凑表达式。一个交互演示可在 https://spinorhelicity.streamlit.app 查看。