MétaCan
Menu
Retour à la cohorte
Enregistrement W4408505075 · doi:10.1103/physrevd.111.066013

Bootstrapping string models with entanglement minimization and machine learning

2025· article· en· W4408505075 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevuePhysical review. D/Physical review. D. · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Physics and Python Applications
Établissements canadiensUniversity of Calgary
Organismes subventionnairesKavli Institute for Theoretical Physics, University of California, Santa BarbaraScience and Engineering Research BoardDepartment of Science and Technology, Ministry of Science and Technology, India
Mots-clésBootstrapping (finance)Quantum entanglementComputer scienceString (physics)MinificationArtificial intelligenceMachine learningMathematicsTheoretical physicsPhysicsEconometricsQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

We present a new approach to bootstrapping stringlike theories by exploiting a local crossing symmetric dispersion relation and field redefinition ambiguities. This approach enables us to use mass-level truncation and to go beyond the dual resonance hypothesis. We consider both open and closed strings, focusing mainly on open tree-level amplitudes with an integer-spaced spectrum, and two leading Wilson coefficients as inputs. Using entanglement minimization in the form of the minimum of the first finite moment of linear entropy or entangling power, we get an excellent approximation to the superstring amplitudes, including the leading and subleading Regge trajectories. We find other interesting S matrices that do not obey the duality hypothesis, but exhibit a transition from Regge behavior to power law behavior in the high energy limit. Finally, we also examine machine-learning techniques to do bootstrap and discuss potential advantages over the present approach.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,907
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,023
Tête enseignante GPT0,389
Écart entre enseignants0,366 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle