Refining Integration-by-Parts Reduction of Feynman Integrals with Machine Learning

📄 arXiv: 2502.05121v1 📥 PDF

作者: Matt von Hippel, Matthias Wilhelm

分类: hep-th, cs.LG, hep-ph

发布日期: 2025-02-07

备注: 28 pages, 9 figures

💡 一句话要点

利用机器学习优化费曼积分的Integration-by-Parts归约

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 费曼积分 Integration-by-Parts 机器学习 遗传编程 启发式算法

📋 核心要点

  1. 费曼积分的IBP归约是高精度计算的瓶颈，现有方法依赖的启发式算法质量参差不齐。
  2. 论文提出利用机器学习，特别是funsearch和强类型遗传编程，自动发现更优的IBP归约启发式算法。
  3. 实验成功重现了当前最优的启发式算法，并在一个案例中实现了超越现有技术的性能提升。

📝 摘要（中文）

费曼积分的Integration-by-Parts (IBP) 归约是理论粒子物理和引力波物理学中先进计算的常见瓶颈。它依赖于启发式方法来选择IBP恒等式，而这些恒等式的质量严重影响性能。本文研究了使用机器学习技术来寻找改进的启发式方法。我们使用funsearch，一种基于大型语言模型代码生成的遗传编程变体，来探索可能的方法，然后使用强类型遗传编程来确定有用的解决方案。这两种方法都成功地重新发现了最近纳入IBP求解器的最先进的启发式方法，并在一个例子中找到了对现有技术的微小改进。

🔬 方法详解

问题定义：论文旨在解决费曼积分IBP归约过程中启发式算法选择的问题。现有方法依赖人工设计的启发式规则，这些规则的性能高度依赖于经验和直觉，且难以针对不同的积分问题进行优化，导致计算效率低下。

核心思路：论文的核心思路是利用机器学习自动搜索和优化IBP归约的启发式算法。通过将启发式算法的选择过程建模为一个搜索问题，并利用机器学习算法在庞大的搜索空间中寻找更优的解决方案。

技术框架：论文采用了两阶段的方法。第一阶段使用funsearch，一种基于大型语言模型的遗传编程变体，生成候选的启发式算法。第二阶段使用强类型遗传编程，对funsearch生成的候选算法进行精细化调整和优化。整个流程旨在自动发现能够有效减少费曼积分复杂度的启发式规则。

关键创新：论文的关键创新在于将机器学习技术应用于费曼积分IBP归约的启发式算法设计。与传统的人工设计方法相比，机器学习能够自动探索更广阔的搜索空间，发现人工难以设计的复杂规则，从而提高计算效率。

关键设计：funsearch使用大型语言模型生成代码片段，这些代码片段代表不同的启发式算法。强类型遗传编程则通过交叉、变异等操作，对这些代码片段进行优化。论文中没有明确提及具体的损失函数或网络结构，但强调了强类型遗传编程在保证代码正确性和类型安全方面的作用。

📊 实验亮点

实验结果表明，该方法能够成功重现当前最先进的IBP归约启发式算法，并在一个具体案例中实现了超越现有技术的性能提升。这证明了机器学习在优化费曼积分计算方面的潜力，为未来的研究提供了新的方向。

🎯 应用场景

该研究成果可应用于高能物理、引力波物理等领域，加速费曼积分的计算过程，提高理论计算的精度和效率。通过自动优化IBP归约策略，可以更有效地处理复杂的物理模型，从而推动相关领域的研究进展。

📄 摘要（原文）

Integration-by-parts reductions of Feynman integrals pose a frequent bottle-neck in state-of-the-art calculations in theoretical particle and gravitational-wave physics, and rely on heuristic approaches for selecting integration-by-parts identities, whose quality heavily influences the performance. In this paper, we investigate the use of machine-learning techniques to find improved heuristics. We use funsearch, a genetic programming variant based on code generation by a Large Language Model, in order to explore possible approaches, then use strongly typed genetic programming to zero in on useful solutions. Both approaches manage to re-discover the state-of-the-art heuristics recently incorporated into integration-by-parts solvers, and in one example find a small advance on this state of the art.