Нейросетевая теория поля (NNFT)

Нейросетевая теория поля (Neural Network Field Theory, NNFT) представляет собой формализм, возникший на стыке теоретической физики высоких энергий, статистической механики и машинного обучения. Его происхождение связано с попытками переосмыслить стандартные конструкции квантовой теории поля через призму параметризации полей глубокими нейронными сетями. В этом подходе конфигурация квантового поля не задаётся явно, а генерируется нейросетью, на вход которой подаются координаты пространства-времени. Теория определяется выбором архитектуры сети (например, глубины, ширины, функций активации) и априорным распределением вероятностей на множестве её параметров (весов и смещений). Это распределение играет роль действия в стандартном функциональном интеграле.

Математическая механика NNFT основана на рассмотрении статистического ансамбля таких параметризованных полей. Функциональный интеграл по всем конфигурациям поля заменяется интегралом по пространству параметров сети. Ключевым расширением базового формализма является включение дискретных параметров, которые могут интерпретироваться как топологические заряды или квантовые числа. Это позволяет изучать фазовые переходы, связанные с топологическими дефектами. Например, в двумерной XY-модели NNFT корректно воспроизводит переход Березинского — Костерлица — Таулесса: на низких температурах доминирует спин-волновая фаза, описываемая гладкими конфигурациями, а при превышении критической температуры происходит разупорядочивание за счёт рождения и proliferation вихрей, что соответствует включению дискретных топологических секторов.

Практическое применение NNFT в современной теоретической физике носит преимущественно исследовательский характер. Формализм демонстрирует высокую эффективность для верификации сложных дуальностей в теориях струн и квантовой гравитации. В частности, с его помощью была подтверждена T-дуальность бозонной струны: показана инвариантность теории при замене импульса на число намотки на компактном круге S¹, преобразование констант связи сигма-модели по правилам Бушера на торических фонах, усиление текущей алгебры на самодуальном радиусе и корректность негеометрических функций перехода для T-фолдов. NNFT также служит мостом для применения методов машинного обучения, таких как марковские цепи Монте-Карло или нормализующие потоки, к задачам решёточных калибровочных теорий и квантовой хромодинамики.

Основное ограничение нейросетевой теории поля связано с вычислительной сложностью. Аналитическое вычисление интегралов по высокоразмерному пространству параметров сети, как правило, невозможно, что требует использования численных методов и приближений. Кроме того, интерпретация физических результатов может зависеть от выбора конкретной архитектуры сети, что вносит элемент неоднозначности. Перспективы развития NNFT лежат в области систематического изучения универсальности её предсказаний относительно выбора архитектуры, применения к теориям с фермионами и калибровочной симметрией, а также в использовании её как инструмента для открытия новых нетривиальных фаз материи и дуальностей в сильносвязанных системах.