Tube Seeding을 통한 Feynman 적분의 효율적인 AI 기반 축소

본 논문에서 우리는 이론 입자 물리학 및 중력파 물리학의 최첨단 계산에서 빈번한 병목 현상인 Feynman 적분 (Feynman integrals)의 부분 적분 (integration-by-parts, IBP) 축소를 위한 새로운 시딩 (seeding) 전략을 발견하기 위해 머신러닝 (machine learning)을 사용합니다. 우리의 전략은 본질적으로 표준 Laporta 알고리즘을 사용하면서도, 분자 지수 (numerator power)에 따라 선형적으로만 증가하는 희소한 시드 적분 (sparse selection of seed integrals) 선택을 통해 분자 지수가 큰 다중 루프 적분 (multi-loop integrals)을 축소할 수 있게 해줍니다. 반면 기존 전략들은 축소하려는 적분의 복잡도에 따라 증가하는 다항식 지수 (polynomial power)로 인해 성장이 발생합니다. 시드 (seeds)는 지그재그 경로를 따라 대상 적분 (target integral)을 마스터 적분 (master integrals)에 연결하는 얇은 튜브 형태의 영역 (thin tube-like region)으로 제한됩니다. 우리는 유한체 (finite field) 상의 수치적 운동학 (numerical kinematics)을 사용하여 랭크(rank) 20인 비평면 2-루프 5-점 적분 (non-planar 2-loop 5-point integrals)을 축소함으로써 우리 접근 방식의 강력함을 입증하며, 이는 기존 시딩을 사용하는 Laporta 알고리즘으로는 수행하기가 매우 어렵습니다. 개별 적분을 넘어, 우리는 대상 적분을 여러 청크 (chunks)로 나누어 완전한 세트의 톱 레벨 (top-level) 랭크-10 적분을 축소하는 것을 추가로 보여줍니다. 각 청크는 다른 최첨단 전략들보다 훨씬 적은 시간과 현저히 낮은 메모리 사용량 (memory footprint)으로 우리의 희소 시딩 (sparse seeding) 전략을 통해 해결될 수 있으며, 이는 이 접근 방식이 현상론적 응용 (phenomenological applications)에 매우 적합함을 의미합니다. 우리는 GitHub(https://github.com/andreslunagodoy/tube_seeding)에서 개념 증명 구현을 제공합니다.