机器学习Calabi-Yau度量
高能物理 - 理论
2020-10-28 v2 代数几何
机器学习
摘要
我们将机器学习应用于寻找数值Calabi-Yau度量的问题。基于Donaldson计算Kähler流形上平衡度量的算法，我们结合传统的曲线拟合与机器学习技术，对Ricci平坦度量进行数值逼近。我们表明，机器学习仅看到少量训练数据，便能够预测Calabi-Yau度量及其相关量（如行列式）。将此与直接的曲线拟合程序结合使用，我们证明，相比单独使用Donaldson算法，可以更快速地找到高精度的数值度量，我们的新机器学习算法将所需时间减少了约一至两个数量级。
引用
@article{arxiv.1910.08605,
title = {Machine learning Calabi-Yau metrics},
author = {Anthony Ashmore and Yang-Hui He and Burt Ovrut},
journal= {arXiv preprint arXiv:1910.08605},
year = {2020}
}
备注
56 pages, 14 figures, references added