运用条件生成模型解答 Type IIB 恒星宇宙的逆问题

我们解决 Type IIB 恒星宇宙中逆问题，即通过条件生成模型识别具有特定现象学特性（如特定超势值或饱和约束）的恒星宇宙。这些机器学习技术克服了传统方法（如拒绝抽样和马尔可夫链蒙特卡洛（MCMC））的计算瓶颈，这些方法在生成稀疏、精细调谐的恒星宇宙方面难以胜任。作为概念验证，我们展示条件生成模型提供了更有效的替代方案，具体而言是使用条件变分自编码器（CVAE）。我们引入的 CVAE 框架专为恒星宇宙设计，纳入物理约束直接进入损失函数——实现对训练集之外的物理一致恒星宇宙的生成。我们对共轨（conifold）和对称环面背景几何进行实验，表明 CVAE 相对于 Metropolis 抽样在超势值窄目标范围内实现约 $O(10^3)$ 的加速。此外，CVAE 生成超出训练数据的新颖、独特的恒星宇宙配置，凸显其在探寻字符串景观中计算上具有挑战性的区域的潜力。我们的结果确立了条件生成模型作为针对性恒星宇宙生成的强大且可扩展工具，为先前由传统模型构建技术无法触及的景观区域的模型构建开辟了新路径。