Flux Landscape 中的参数压缩

我们 presenting 对构建于 \cite{Chauhan:2025rdj} 中所得无尺度型 IIB flux vacua 的完整集合进行的数据驱动调查。通过结合线性与非线性降维技术，我们分析了 flux 与模uli 空间，证明了底层 12 维 flux 空间的有效维度显著降低。我们研究的核心组件是一种 physics-informed autoencoder，提供了 flux 与模uli 数据压缩至低维潜空间的非线性方式。学习得到的潜表示将根据所需特征组织 vacua，特别是隔离了与 |W_0| 小值相关的显著区域，揭示了线性方法无法捕获的非平凡相关性。在平行工作中，我们应用拓扑数据分析工具（具体为持久同调）来探测真空分布的全局结构。这使我们能够识别模uli 与 flux 子空间中稳健的、持久的拓扑特征。该工作是为发展 string phenomenology 中的 foundation models 所必需的步骤。