机器学习 6 维超引力景观

本文应用监督和非监督机器学习算法来研究弦景观与浇灌带。我们的数据是（近乎）无奇异的 6 维 $\mathcal{N} = (1,0)$ 超引力模型，由异常系数格拉姆矩阵特征征。我们的工作表明，机器学习算法能够有效学习景观与浇灌带的高度复杂特征。通过采用自编码器进行非监督学习，我们提供了这些模型的自动分类，将格拉姆矩阵数据压缩至二维。通过压缩，相似模型聚类在一起，我们识别了这些聚类的显著特征。自编码器还识别了难以重建的异常模型。其中一个异常模型在与其他模型组合时极难处理，以致 $\text{tr}R^{4}$ 异常消失，这使得其在景观中的存在极其罕见。进一步地，我们利用监督学习构建了两个分类器，分别预测（1）在探针弦插入下模型的一致性（精度：0.78，预测约 214,837 个模型具有相当确定的一致性）和（2）在异常流入下模型的不一致性（精度：0.91，预测约 1,909,359 个模型不一致）。值得注意的是，将这些预测投影到自编码器的二维潜在层上显示，一致模型在聚类，这进一步表明自编码器已学习了该模型集合的有趣且复杂的特征，potentially 为映射 6 维超引力理论的景观与浇灌带提供了一种新方法。