Исследователи представили новый метод решения связанных уравнений Дайсона-Швингера для глюонов и духов в четырехмерной теории Янга-Миллса с использованием нейронных сетей. Обучение модели проводилось исключительно на основе невязок ренормированных уравнений, что позволило достичь высокой точности и стабильности результатов, сопоставимых с традиционными методами численного решения при различных граничных условиях.
Данный подход демонстрирует эффективность нейросетевых архитектур в решении сложных систем нелинейных интегральных уравнений, которые традиционно требуют значительных вычислительных ресурсов. Использование нейронной репрезентации позволяет обходить ограничения классических сеточных методов, обеспечивая устойчивость решения при изменении параметров инициализации и архитектуры сети.
Результаты исследования подтверждают, что нейросетевые методы могут успешно применяться для анализа фундаментальных взаимодействий в квантовой хромодинамике. Точность предсказаний на уровне одного процента открывает перспективы для использования глубокого обучения в теоретической физике высоких энергий, где аналитические решения зачастую недоступны, а численные методы сталкиваются с проблемой масштабируемости.
Ключевые факты
- Метод основан на обучении нейронной сети минимизации невязок уравнений Дайсона-Швингера без использования обучающих выборок из внешних данных.
- Достигнуто согласие между нейросетевым решением и классическими методами фиксированной точки на уровне погрешности в 1%.
- Модель показала высокую устойчивость к изменениям размера сети, сетки интегрирования и инфракрасных граничных условий.
- Исследование сфокусировано на решении задач в калибровке Ландау для теории Янга-Миллса.