TensorFlow 的量子引力新解决方案

文 / Thomas Fischbacher，SE，Google Research 

机器学习 (ML) 研究的最新进展带动了相关工具的发展，这些工具有助于解决诸多研究问题，适用领域已远远超出其设计的初衷。它们的应用范围从教机器人如何投掷、到预测分子的嗅觉属性等，如今这些工具的价值也受到了重视。受这些进展的鼓舞，我们勇担应用 TensorFlow（通用ML计算平台）来增进对基础物理学理解的挑战。

目前，基础理论物理学最大的开放性难题在于，我们对量子力学的理解仅限于四大基本力中的三种，即电磁力、强核力和弱力。目前尚无完整的量子理论能够既包含引力，并与实验观察（如量子引力的准确模型）保持一致。

一个名为 M-理论的方法成功通过众多数学一致性检查，且颇具前景。该方法可用于建立包含量子引力的统一模型，其前身是由 Edward Witten 于 1995 年提出的“弦论”。在现实世界中，我们每个人都会体验到四个维度，即三个空间维度（x、 y和 z），再加上时间维度 (t)。M-理论预测，自然界的最小单位是弦，因此我们可以用十一个维度来描述宇宙。但是可以想象，要想在我们生活的四维世界和 M-理论预测的十一维世界之间建立联系极难做到。实际上，这可能需要对方程式作解析处理，而这些方程式的项比宇宙中的电子还多。

今年夏天，我们在 《高能物理学报 (Journal of High Energy Physics)》上发表了一篇论文， 其中介绍了通过 ML 技术创新应用解决这类问题的新颖方式。通过使用由 TensorFlow 提供技术支持简化工具，我们成功将一个特定类型的 M-理论时空几何体的已知（稳定或不稳定）平衡解的总数增加到 194，包括一个无超光速粒子的全新四维宇宙模型。我们研究的几何体的特殊之处在于它们仍然（几乎）可以通过精确的计算获得，并且不会忽略潜在的重要项。我们还发布了一个简短的指导性 Google Colab，以及一个功能更强大的 Python 内容库，供相关研究使用。

将 TensorFlow 应用于 M-理论

这项研究基于一个关键的观测方法，即 数字和分析相结合 的方法，这比单纯的分析方法更强大。我们没有试图寻找暴力破解的分析解决方法，而是采用数值求解的方法，使用 TensorFlow 初步寻找模型的解。

随后我们得出假设，并使用严格的数学方法对特定组合进行测试和分析，最终证明这种推测解决方案的实际存在。这为理论物理取得更深入的研究提供了一种新颖的方法。

结论

我们希望这些结果可以成为解释 M-理论的重要一步，并展示研究社区如何通过新的 ML 工具（如 TensorFlow）处理类似的复杂问题。我们已将新发现的方法应用于理论物理的进一步研究。

致谢

此项研究由 Iulia M. Comşa、Moritz Firsching 和 Thomas Fischbacher 合作开展。特别感谢 Jyrki Alakuijala、Rahul Sukthankar 和 Jay Yagnik 的鼓励和支持。

如果您想详细了解 本文提及 的相关内容，请参阅以下文档。这些文档深入探讨了这篇文章中提及的许多主题：

• 教机器人如何投掷
  https://ai.googleblog.com/2019/03/unifying-physics-and-deep-learning-with.html

• 弦论
  http://www.damtp.cam.ac.uk/research/gr/public/qg_ss.html

• 《高能物理学报》
  https://link.springer.com/article/10.1007/JHEP08(2019)057

• 论文
  https://arxiv.org/abs/1906.00207

• 到 194
  https://arxiv.org/abs/1909.10969

• Google Colab
  https://research.google.com/seedbank/seed/so_supergravity_extrema

• Python 内容库
  https://github.com/google-research/google-research/tree/master/m_theory