論文の概要: Black Hole Black Boxes: Numerical Black Hole Metrics via AInstein Neural Networks

• arxiv url: http://arxiv.org/abs/2607.05489v1
• Date: Mon, 06 Jul 2026 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.280158
• Title: Black Hole Black Boxes: Numerical Black Hole Metrics via AInstein Neural Networks
• Title（参考訳）: Black Hole Black Boxes:Ainstein Neural Networksによる数値的なBlack Hole Metrics
• Abstract要約: アインシュタインアーキテクチャは任意の多様体上のアインシュタイン方程式を解くための教師なしのニューラルネットワークを導入した。 PINNはここでローレンツ符号に拡張され、最大拡張シュワルツシルト幾何を復元することによって検証される。 任意のブラックホール溶液の新規探索法として試験される。
• 参考スコア（独自算出の注目度）: 42.07621961895129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The AInstein architecture introduced an unsupervised neural method for solving the Riemannian Einstein equations on arbitrary manifolds. This Physics Informed Neural Network approach (PINN) is extended here to Lorentzian signature, validated by recovering the maximally extended Schwarzschild geometry, and tested as novel search method for arbitrary black hole solutions. The topology is built into the architecture by treating $S^{2}$ globally through its standard embedding, such that the network learns an ambient metric on the manifold $\mathbb{R}^{2} \times \mathbb{R}^{3}$, where Penrose coordinates are chosen for $\mathbb{R}^2$ and the metric on $S^{2}$ is obtained by pullback. The architecture is first trained with the objective of recovering the Schwarzschild metric via losses encoding the vacuum Einstein equation, a quadratic Weyl scalar constraint, and the $SO(3)$ symmetry of the resultant metric; directly motivated by the Birkhoff--Jebsen theorem. Following this, the objective is generalised to use the Petrov speciality index, a horizon curvature anchor, and a trapped-surface constraint, to allow search for algebraically general Petrov type I solutions, finding potentially novel general-type Lorentzian Einstein metrics with a genuinely trapped interior.
• Abstract（参考訳）: アインシュタインのアーキテクチャは、任意の多様体上のリーマン・アインシュタイン方程式を解くための教師なしのニューラルネットワークを導入した。 この物理情報ニューラルネットワーク(PINN)アプローチは、ここでローレンツのシグネチャに拡張され、最大拡張シュワルツシルト幾何を復元して検証され、任意のブラックホール解の新しい探索方法として検証される。 このトポロジは、S^{2}$をその標準埋め込みを通じてグローバルに扱うことでアーキテクチャに構築され、ネットワークは多様体 $\mathbb{R}^{2} \times \mathbb{R}^{3}$ 上で周囲の計量を学習し、ペンローズ座標は$\mathbb{R}^2$ に対して選択され、$S^{2}$ 上の計量はプルバックによって得られる。 このアーキテクチャは、真空アインシュタイン方程式、二次ワイルスカラー制約、および結果の計量の$SO(3)$対称性を符号化した損失を通じてシュワルツシルト計量を回復する目的で訓練された。 これに続いて、目的はペトロフ特殊度指数、地平線曲率アンカー、および閉じ込められた表面制約を用いて代数的に一般的なペトロフ型I解を探索し、真に閉じ込められた内部を持つ新しい一般型ローレンツ的アインシュタイン計量を見つけることである。

関連論文リスト

• Riemann GeoResolver: A Non-Euclidean Attention Framework from Euclidean Resolver to Hyperbolic-Spherical Geometry [0.0]
  我々は、ユークリッドプロトタイプ(Resolver)から非ユークリッド実現(Riemann GeoResolver)まで、逆距離注意の理論的基礎を提示する。 非ユークリッド拡大はこのプロトタイプの上に構築され、ユークリッド距離を蓄えるための双曲測地距離とルーティングのための球面測地距離に置き換える。
  論文  参考訳（メタデータ） (2026-08-11T03:05:44Z)
• Intrinsic Wasserstein Rates for Score-Based Generative Models on Smooth Manifolds [61.14405512940818]
  Scoreベースの生成モデルは高次元空間で訓練されていることを示す。 有限固有アンカーとガウス・ニュートンによる最も近い射影座標のReLU実装を用いる。
  論文  参考訳（メタデータ） (2026-05-15T10:20:05Z)
• When Attention Beats Fourier: Multi-Scale Transformers for PDE Solving on Irregular Domains [0.0]
  msatは複素幾何学問題に対する最先端の一般化を実現する。 textbfMulti-Scale Attention Transformer (msat)は、ソリューション履歴をトークンシーケンスとしてエンコードし、エンドツーエンドにトレーニングする。
  論文  参考訳（メタデータ） (2026-05-08T15:23:13Z)
• Intrinsic Lorentz Neural Network [49.83037691286893]
  実世界のデータは、しばしば、双曲幾何学によって自然に表される潜在階層構造を示す。 本稿では,全計算をローレンツモデル内で行う完全内在型双曲型アーキテクチャであるEmphIntrinsic Lorentz Neural Network (ILNN)を提案する。 ネットワークの中核は、従来のユークリッド・アフィン・ロジットを閉形双曲線距離に置き換え、新しいエンファンポイント-ハイアプレーン完全連結層(FC)を導入している。
  論文  参考訳（メタデータ） (2026-02-27T12:48:05Z)
• Obstructions to Unitary Hamiltonians in Non-Unitary String-Net Models [0.0]
  我々は、ヤン=リーの融合規則が五角形方程式のユニタリ解を含まないことを証明した。 我々は、非エルミート的ハミルトニアンを解釈するために$mathcalPT$-symmetric quantumchanicsの理論を呼び出す。
  論文  参考訳（メタデータ） (2026-01-11T09:10:03Z)
• Geometric Latent Space Tomography with Metric-Preserving Autoencoders [0.0]
  本稿では,古典的ニューラルエンコーダとパラメータ化量子回路デコーダを組み合わせた幾何学的潜時空間トモグラフィーを提案する。 我々の幾何対応潜在空間は、ユークリッド距離からの直接状態の判別、およびフルトモグラフィーを繰り返すことなく量子エラー軽減のための解釈可能な誤差を可能にする。
  論文  参考訳（メタデータ） (2025-12-16T20:18:10Z)
• Expressive Power of Deep Networks on Manifolds: Simultaneous Approximation [2.815765641180636]
  境界重みを持つ定数深度$mathrmReLUk-1$ネットワークは、ソボレフ空間内の任意の関数を近似することができることを示す。 また、必要なパラメータ数が対数係数に一致することを示すことで、我々の構成がほぼ最適であることを示す。
  論文  参考訳（メタデータ） (2025-09-11T11:28:20Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• Geometry of degenerate quantum states, configurations of $m$-planes and invariants on complex Grassmannians [55.2480439325792]
  退化状態の幾何学を非アーベル接続(英語版)$A$に還元する方法を示す。 部分空間のそれぞれに付随する独立不変量を見つける。 それらのいくつかはベリー・パンチャラトナム位相を一般化し、1次元部分空間の類似点を持たないものもある。
  論文  参考訳（メタデータ） (2024-04-04T06:39:28Z)
• $O(N^2)$ Universal Antisymmetry in Fermionic Neural Networks [107.86545461433616]
  我々は、置換同変アーキテクチャを提案し、その上で行列式 Slater を適用して反対称性を誘導する。 FermiNetは、単一の行列式を持つ普遍近似能力があることが証明されている。 これは実装が容易であり、計算コストを$O(N2)$に下げることができる。
  論文  参考訳（メタデータ） (2022-05-26T07:44:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。