基于局部交叉对称色散关系的弦振幅参数化表示与数值引导

1. 项目概述

在粒子物理与弦论的研究中，散射振幅的计算与理解是连接理论与实验、探索基本相互作用的桥梁。我们常常需要处理一些看起来“丑陋”或“不完整”的表达式，它们可能来自微扰计算、有效场论展开，或者像弦论这样更基本的框架。这些表达式背后，往往隐藏着深刻的物理原理，如解析性、幺正性和交叉对称性。将这些原理转化为具体、可计算的约束，是理论物理学家工具箱里的核心技能。

最近，一种基于局部交叉对称色散关系的参数化表示方法，为处理树级弦振幅——特别是开弦中的四胶子散射——提供了一个全新的视角。这种方法的核心思想，是将振幅重新表达为一个依赖于自由参数 λ 的级数展开。这个 λ 并非物理参数，而是源于场重定义的自由度，其物理意义在于：一个物理的散射振幅，其最终结果应当独立于我们描述它的具体“场变量”选择。因此，对 λ 的任意阶导数都应为零，这为我们施加数值约束提供了无穷多组线性方程。

这个框架的技术优势非常明显。传统的固定动量转移（fixed-t）色散关系，其收敛域通常局限于 t < 0 的区域，这严重限制了我们在数值引导中可以施加约束的运动学空间。而新的参数化表示，得益于其更好的收敛性质，允许我们在 s-t 平面的更广泛区域（包括某些正 t 区域）施加振幅必须满足的约束。这就像是从只能在一个狭窄的走廊里检查一栋建筑的结构，突然获得了进入多个房间的权限，检查的完备性大大提升。

本文将深入拆解这一框架，从核心思路、数学表示，到具体的数值引导设置和物理量（如纠缠熵）的极值化搜索。我们的目标读者是具有一定量子场论基础，并对弦论或振幅引导感兴趣的研究者。无论你是想理解这套新工具背后的逻辑，还是计划将其应用到自己的研究中，希望这篇详尽的“操作手册”能为你提供清晰的路线图和实用的避坑指南。

2. 核心思路与框架搭建：为何是参数化表示？

2.1 从历史难题到现代工具：对偶性的两面性

弦论的起源与“对偶性”这一概念密不可分。早期的对偶共振模型假设，s-道（直接道）所有共振态极点之和，应该等于 t-道（交叉道）所有极点之和。这一强约束催生了 Veneziano 振幅，并最终引向了弦论的世界面图像。这种世界面对偶性（world-sheet duality）被视为弦论紫外有限性，尤其是其作为量子引力理论自洽性的关键。

然而，历史的另一面同样发人深省。Dolen, Horn 和 Schmid 在分析π-核子散射实验数据时，曾提出一个更复杂的表示：M = M_Regge + M_Res - ⟨M_Res⟩这里，前两项分别是 t-道和 s-道的贡献，而第三项⟨M_Res⟩是为了避免“重复计算”而引入的减法项。只有当共振态充分重叠时，M_Res ≈ ⟨M_Res⟩，对偶关系M_Regge = M_Res才作为一种近似或特殊情况出现。

这引出了一个根本性问题：对偶性是一个普适原理，还是一个特定近似？如果我们坚持前者，就得到了传统的弦论图像。但如果我们放宽视野，允许理论在一定程度上偏离严格的对偶性，就可能打开一扇通往更广阔理论空间的大门。例如，规范理论中的胶球散射在高能区就表现出幂律行为而非 Regge 行为，这暗示着可能存在从 Regge 行为到幂律行为的“交叉”现象。我们的新框架，正是为了系统性地探索这类偏离严格对偶性、但仍满足基本物理原理的理论。

2.2 参数化表示：收敛性与灵活性之源

我们工作的起点，是树级开超弦中四胶子颜色序化振幅的“形状因子”部分，即 Veneziano 因子：M(s, t) = Γ(-s)Γ(-t) / Γ(1-s-t)其中s和t是标准的 Mandelstam 变量。我们关注的是具有简单极点、满足交叉对称性M(s, t) = M(t, s)的振幅。

利用局部交叉对称色散关系，我们可以得到该振幅的一个单参数族表示：

M(s, t) = 1/(s t) + Σ_{n=1}^{∞} Σ_{ℓ} [ 1/(s-n) + 1/(t-n) + 1/(λ+n) ] * c_{n,ℓ} * G_ℓ^{(α)} ( 1 + (2/n)[(s+λ)(t+λ)/(λ+n) - λ] ) + Σ_{n=1}^{∞} Σ_{ℓ} [1/(λ+n)] * c_{n,ℓ} * G_ℓ^{(α)} (1 - 2λ/n) + W_00(λ)

这里有几个关键部分需要理解：

1. 极点结构：1/(s-n)和1/(t-n)分别对应 s-道和 t-道在质量平方n处的共振态交换（我们设α' = 1）。
2. 部分波系数c_{n,ℓ}：这是待确定的未知数，代表了在质量层级n、自旋ℓ上交换粒子的耦合强度。幺正性要求c_{n,ℓ} ≥ 0。
3. Gegenbauer 多项式G_ℓ^{(α)}(z)：其中α = (D-3)/2，D是时空维数（我们主要关注 D=10）。它编码了高维空间中角动量依赖关系。
4. 自由参数λ：这是一个实数，要求Re(λ) > -1以保证级数收敛。它来源于场重定义的模糊性。物理的振幅必须独立于 λ，即∂M/∂λ = 0，这为我们提供了核心约束方程。
5. 常数项W_00(λ)：与低能 Wilson 系数相关，可以通过固定例如W_00和W_10等低能参数来确定。

注意：这个表示的美妙之处在于，它不仅整体收敛，其拆分出的三个部分——s-道和、t-道和以及“接触项”和——各自也是收敛的。这恰好与 DHS 提出的“避免重复计算”的精神相呼应。

2.3 为何优于传统 fixed-t 表示？

传统的数值引导通常基于固定 t 的色散关系。这种方法有一个致命弱点：级数表示仅在 t < 0 时收敛。这意味着我们只能在 s-t 平面的第三象限（s<0, t<0）施加约束。这严重限制了可用的信息量。

我们的参数化表示 (λ-表示) 打破了这一限制。由于其改进的收敛性，我们可以在更广阔的运动学区域（包括 s 和 t 均为正的第一象限附近区域）要求振幅满足λ-无关性约束。如下图所示，当λ取非零值时，允许施加约束的区域（蓝色区域）显著扩大。

（此处原为图1，示意不同λ下约束可施加的区域）

实操心得：在数值计算中，选择λ ≈ 14.6这样的值，往往能让我们在 s 和 t 绝对值较大的区域（如第二、四象限）更有效地施加约束，从而加速引导程序的收敛。这相当于利用场重定义的冗余度，选择了一个“计算友好”的坐标系。

3. 引导目标：为何最小化纠缠熵？

有了参数化表示和约束方程，我们面临下一个问题：在无数满足幺正性 (c_{n,ℓ} ≥ 0) 和λ-无关性的可能解中，哪些是“有趣”的理论？传统的振幅引导通常试图限定低能 Wilson 系数的比值。这固然合理，但或许存在更深刻的物理原理来筛选理论。

一个新兴且有吸引力的候选者是纠缠熵的最小化。其物理图像源于量子计算：产生纠缠需要资源（在实验室中纠缠光子需要非线性晶体）。因此，自然过程可能倾向于使用最小的纠缠来降低“复杂度”。在微扰散射的语境下，对于从可分离初态（|Ω⟩ = |p1⟩⊗|p2⟩）开始的 2→2 散射，线性熵（纠缠的一种度量）的变化可简化为：ΔE ∝ Im [ M_{αβ}^{αβ}(p1, p2 → p1, p2) ]即在向前极限 (t→0) 且内量子数弹性散射情况下，纠缠熵的变化正比于向前散射振幅的虚部。

对于胶子散射，在树层级，这个虚部来自所有中间共振态极点的贡献之和：ΔE_massive ∝ Σ_{n=1}^{∞} Res_{s=n} M(s, t=0) δ(s-n)由于树级振幅的虚部是极点处的留数，表现为一系列 δ 函数，我们需要对其进行某种“平均”以得到一个有限的量。一个自然的选择是考虑其第一个有限矩：I_1 = ∫_{1}^{Λ} ds ΔE / s^2这个量是有限的，且在我们的参数化表示下，它恰好等于：I_1 = Σ_{n=1}^{N_max} Σ_{ℓ} (1/n) * c_{n,ℓ} * G_ℓ^{(α)}(1)因此，在我们的框架中，最小化纠缠熵的第一个矩，等价于在固定低能参数（如W_00,W_10）的前提下，最小化上述关于部分波系数c_{n,ℓ}的线性表达式。

重要提示：质量less 极点的贡献 (~1/t) 在t→0时是发散的，但它是所有理论共有的。由于我们关注的是理论间的差异，这个普适的发散项在极值化过程中不会影响结果，可以忽略。

4. 数值引导实战：从方程到代码

4.1 问题设置与线性规划

现在，我们将问题转化为一个线性规划或半定规划问题。

已知量（输入）：

1. 截断的最大质量层级N_max（例如 30）。
2. 时空维数D（例如 10）。
3. 参数λ的一个具体值（作为种子，例如 14.6）。
4. 我们想要固定的低能 Wilson 系数，例如W_00和W_10，将它们设为开超弦的理论值。
5. 一个在 s-t 平面上选取的网格点集{s_i, t_i}，用于施加λ-无关性约束。这些点应避开整数极点。

未知量（变量）： 所有满足0 ≤ ℓ ≤ n-1且n-ℓ ≡ 1 (mod 2)（开超弦谱约束）的部分波系数c_{n,ℓ}。它们是非负实数。

约束条件：

1. 幺正性：c_{n,ℓ} ≥ 0。这是半定规划中的线性不等式约束。
2. λ-无关性：在选定的网格点(s_i, t_i)上，要求振幅M(s,t)对λ的前k_max阶导数近似为零。即对于k = 1, 2, ..., k_max：| ∂^k M(s_i, t_i) / ∂λ^k | ≤ T其中T是一个小的容差（例如10^{-9}）。由于M是c_{n,ℓ}的线性函数，这些导数约束也是c_{n,ℓ}的线性等式或不等式约束。
3. 固定低能参数：公式 (4.10) 将W_10和W_01表达为c_{n,ℓ}的线性组合。我们可以将其固定为特定值（如弦论值），这同样是线性等式约束。

目标函数（最小化）：I_1 = Σ_{n=1}^{N_max} Σ_{ℓ} (1/n) * c_{n,ℓ} * G_ℓ^{(α)}(1)

网格点选择策略： 收敛速度在不同象限差异很大，需要精心选择：

• 第一象限 (s>0, t>0)：振幅有极点，行为剧烈。选择|s|, |t| < 10的相对温和区域，随机生成约10个点。
• 第二、四象限 (s>0, t<0 或 s<0, t>0)：振幅通常表现良好。选择|s|, |t| < 22的较大区域，各生成约50个点。
• 第三象限 (s<0, t<0)：是传统 fixed-t 表示有效的区域，但我们的表示在|s|, |t|接近N_max时收敛变慢。选择|s|, |t| < 14的区域，生成约30个点。
• 向前极限附近：在-1 < s < 1和-0.01 < t < 0.01的狭窄区域额外撒上约40个点，以加强对向前散射区域的约束。

所有点应通过条件⌊s⌋ - s ≠ 0和⌊t⌋ - t ≠ 0来避开整数极点。可以使用RandomSeeding -> Automatic生成随机网格，并多次运行引导以验证结果的稳定性。

4.2 算法实现与工具选择

虽然理论上可以用 Mathematica 的FindInstance或LinearProgramming来求解，但对于大规模问题（N_max较大，约束点多），专业的半定规划求解器是更优选择。

推荐工具：SDPB (Semidefinite Program Solver)SDPB 是专为共形引导中的半定规划问题设计的高性能求解器，擅长处理由多项式矩阵不等式定义的优化问题。我们的问题虽然本质是线性规划（目标函数和约束均为线性），但 SDPB 的高精度和稳定性对于处理10^{-9}量级的容差约束非常有优势。

基本步骤：

1. 问题格式化：将目标函数I_1、幺正性约束c_{n,ℓ} ≥ 0、λ-导数约束的线性表达式，以及固定 Wilson 系数的线性等式，按照 SDPB 要求的格式编写成输入文件。
2. 参数设置：在 SDPB 的配置文件中设置精度、最大迭代次数、终止阈值等。
3. 运行求解：调用 SDPB 求解器。由于问题是线性的且约束较多，求解速度通常很快。
4. 解的分析：读取 SDPB 输出的c_{n,ℓ}最优值。可以计算此时振幅在不同(s,t)点的值，并与真正的开弦振幅进行比较，评估近似程度。

避坑指南：

• 收敛性检查：逐步提高N_max（如从 15 到 30 到 50），观察解是否稳定。如果c_{n,ℓ}在高n处出现剧烈振荡或未趋于零，可能意味着截断不足或约束不够。
• λ值依赖性：最终得到的物理振幅和c_{n,ℓ}应该对种子λ值不敏感。可以用不同的λ值（如 0.1, 2.5, 14.6）重新运行引导，验证解的一致性。
• 容差T的选择：T太小可能导致无解，太大则约束太松，解会偏离物理振幅。一个策略是从较松的容差（如10^{-6}）开始，找到解后逐步收紧容差，观察解的连续变化。

4.3 结果解读：三类理论

通过上述引导程序，我们可能会找到不同类型的解，对应于引言中提到的三类理论：

第一类：满足对偶性的理论如果我们使用公式 (4.7) 的表示（它隐含假设了未减除的色散关系成立），并验证解同时满足对偶性测度DM = 0（公式 4.9），那么找到的理论其振幅在大|s|固定t时衰减快于常数（O(s^{-ϵ})）。开超弦理论本身就属于这一类。我们的数值引导在固定了正确的低能参数后，最小化I_1所找到的解，其c_{n,ℓ}分布应非常接近开超弦的理论值。这可以视为对方法有效性的一个强力验证。

第二类：偏离对偶性的理论如果我们使用更一般的公式 (4.3)，其中W_00是一个自由参数（不通过 (4.8) 与I_1关联），那么引导程序找到的解可能不满足DM = 0。这类理论的振幅在大|s|固定t时趋于一个常数。它们代表了一类偏离严格世界面对偶性，但仍满足所有其他基本原理（如解析性、幺正性、交叉对称性）的理论。寻找这类理论是本框架的一个重要应用。

第三类：更高矩理论如果最小化I_1得不到收敛解（即随着N_max增加，I_1发散），说明该理论中ΔE/s^2的积分不收敛。此时需要最小化更高阶的矩，例如I_2 = ∫ ds ΔE / s^3。这对应着振幅在大|s|时允许o(s^1)的行为。这类理论需要用到更高减除的色散关系，本文未深入探讨。

5. 机器学习辅助引导：处理非线性约束

5.1 问题的挑战：从线性到非线性

我们之前设置的引导问题本质是线性的：目标函数和所有约束都是未知数c_{n,ℓ}的线性函数。这要归功于我们巧妙地用λ-导数的绝对值不等式(|∂M/∂λ| ≤ T) 来近似“振幅与λ无关”这一本质上的非线性条件(M_λ1 / M_λ2 = 1)。

然而，这种线性近似有其局限性。容差T的选择是主观的，且随着截断层级N_max变化，最佳的T也可能变化。更自然、更物理的要求是：对于两个不同的λ值（例如λ1和λ2），在运动学空间的许多点上，比值M(s,t; λ1) / M(s,t; λ2)应尽可能接近 1。

但这里有一个技术难题：我们不知道振幅M(s,t)在大部分区域的符号。因此，约束M(s,t; λ1) ≈ M(s,t; λ2)无法直接转化为关于c_{n,ℓ}的线性约束，因为它等价于M(s,t; λ1) - M(s,t; λ2) ≈ 0，而M本身是c_{n,ℓ}的线性函数，所以这个差值是线性的。问题在于，我们无法将其写成像|线性组合| ≤ T这样的形式，因为我们需要的是比值接近1，而不是差值接近0，尤其是在M值很大的区域（如第一象限靠近极点处），即使差值很小，比值也可能偏离1很远。更精确的约束应该是|M(λ1) - M(λ2)| / |M(λ1)| ≤ T，这显然是非线性的。

5.2 机器学习作为优化器

这时，机器学习（ML）方法可以大显身手。我们可以将引导问题重新表述为一个监督学习或优化问题。

设定：

1. 神经网络模型：构建一个神经网络，其输入是质量层级n和自旋ℓ，输出是相应的部分波系数c_{n,ℓ}（通过激活函数确保非负性）。
2. 损失函数：精心设计一个损失函数，它惩罚以下行为：
   • λ-依赖性：在训练集（一组广泛的(s,t)点）上，计算M(s,t; λ1)和M(s,t; λ2)，将(M(λ1)/M(λ2) - 1)^2的均值作为一项损失。
   • 偏离低能参数：(W_10^{pred} - W_10^{target})^2 + (W_01^{pred} - W_01^{target})^2。
   • 偏离幺正性：对任何输出为负的c_{n,ℓ}施加大的惩罚。
   • 最大化/最小化目标：将-I_1（如果最小化熵）或I_1本身作为损失函数的一项，并赋予一个权重系数。
3. 训练：使用梯度下降法（如 Adam 优化器）最小化损失函数。网络权重初始化为随机值。

优势：

• 处理非线性约束：ML 框架天然适合处理像比值接近1这样的复杂、非线性约束。
• 全局搜索：神经网络参数空间大，可能帮助跳出局部极小值，找到更好的解。
• 灵活性：可以轻松地在损失函数中加入新的物理约束，如要求振幅在某个区域有特定渐近行为（如 Polchinski-Strassler 类型的 Regge 到幂律的过渡）。

挑战与注意事项：

• 收敛性与唯一性：ML 优化可能收敛到局部极小值，且解可能不唯一。需要多次随机初始化训练，并检查解的稳定性。
• 物理可解释性：最终得到的c_{n,ℓ}需要满足物理的谱条件（如自旋上限）。需要在网络架构或损失函数中内置这些条件。
• 计算成本：对于每个训练步，都需要在前向传播中计算振幅M(s,t)，这涉及对n和ℓ的双重求和。虽然截断了N_max，但计算量仍比线性规划大。

初步尝试建议： 可以从一个简单的全连接网络开始，隐藏层2-3层，每层几十个神经元。使用 PyTorch 或 TensorFlow 实现。首先尝试复现开超弦的解（即固定低能参数为弦论值，最小化I_1），作为基准测试。成功后，再探索改变目标（如寻找I_1的局部极大值）或添加新约束，以发现新的有趣理论。

6. 闭弦推广与统一色散关系

6.1 闭弦振幅的引导

开弦的讨论可以相对直接地推广到闭弦。树级闭超弦（Type II）的四引力子振幅的形状因子为：M_closed(s, t) ∝ [Γ(-s)Γ(-t)Γ(-u) / (Γ(1+s)Γ(1+t)Γ(1+u))] * (s t u 的多项式)其中u = -s-t。闭弦振幅在s,t,u三个通道都有极点，且满足完全的s-t-u对称性。

我们可以构建类似的局部交叉对称色散关系（现在是三通道对称）。参数化表示会变得更加复杂，因为需要引入两个自由参数（比如λ和μ）来对应场重定义的冗余度。约束条件变为要求振幅独立于这两个参数：∂M/∂λ = 0,∂M/∂μ = 0。

实操差异：

1. 谱：闭弦的谱更丰富，每个质量层级n上的自旋范围可能更广。
2. 低能展开：低能有效理论是超引力，其 Wilson 系数（如R^4,D^4R^4等项的系数）是固定的目标。
3. 纠缠熵：对于引力子散射，纠缠熵的定义需要考虑自旋2粒子的特殊性，但核心思想类似——最小化某种复杂度度量。

数值引导的设置在思路上是相通的，但变量数和约束数会大幅增加，对计算资源要求更高。

6.2 统一的色散关系框架

在本文的数学附录中，作者提出了一个统一的色散关系，其形式为：M(s1,s2) = ... + ∫ dσ [ ... ] A(σ, ... )通过选择不同的积分核和极限，这个统一关系可以退化到已知的各种色散关系，如固定t的色散关系、双通道对称的局部色散关系等。

技术价值：这个统一框架揭示了不同表示之间的内在联系。从数值计算角度看，它提供了灵活性。例如，在某些问题中，固定t的表示虽然收敛域小，但形式更简单，计算更快。我们可以先用大收敛域的λ-表示进行全局引导，锁定理论的大致范围，再切换到更简单的表示进行精细计算或解析研究。

一个实用的技巧：在编写代码计算振幅时，可以同时实现几种不同的表示（如公式 (2.12), (2.16), 固定t表示）。在远离极点的区域，它们应该给出完全相同的结果（在数值误差内）。这可以作为代码正确性的一个强有力验证。

7. 常见问题、排查技巧与扩展方向

7.1 数值引导中的典型问题与解决

1. 问题：解不收敛，c_{n,ℓ}在高n处震荡或发散。

   • 可能原因1：截断层级N_max太低。尝试增加N_max，观察解的高端行为是否稳定下来。
   • 可能原因2：施加λ-无关性约束的网格点太少或分布不合理。特别是在振幅变化剧烈的区域（如第一象限靠近实轴），需要更密集的点。尝试增加网格点总数，或在振幅对λ导数较大的区域手动添加更多点。
   • 可能原因3：容差T设置过紧，导致问题无可行解。逐步放宽T（如从10^{-9}到10^{-7}），观察解是否出现并趋于稳定。
   • 排查工具：绘制找到的c_{n,ℓ}随n和ℓ的分布图。与已知理论（如开弦）的分布对比。计算振幅在多个测试点上的值，与理论值比较。

2. 问题：最小化I_1得到的解，其低能 Wilson 系数 (W_10,W_01等) 严重偏离设定值。

   • 可能原因：固定 Wilson 系数的线性约束与最小化I_1的目标冲突剧烈，导致求解器优先满足更“硬”的λ-约束和幺正性约束，而牺牲了对 Wilson 系数的精确匹配。
   • 解决方案：将固定 Wilson 系数的等式约束W = W_target放松为不等式约束|W - W_target| ≤ δ，其中δ是一个小量。或者，将(W - W_target)^2作为惩罚项加入目标函数，与I_1进行加权求和：目标 = I_1 + β * (W - W_target)^2。通过调节权重β，可以在熵最小化和匹配低能数据之间进行权衡。

3. 问题：使用 SDPB 时，求解时间过长或内存不足。

   • 优化策略：
     • 减少变量：利用谱的对称性（如开弦的n-ℓ为奇数）提前消去一半的c_{n,ℓ}。
     • 缩减约束点：进行敏感性分析。先在一个较粗糙的网格上求解，然后计算振幅对λ的导数在空间各点的值，在导数最大的区域加密网格，在导数接近零的区域稀疏网格。
     • 降低精度：在初步探索时，使用 SDPB 的较低精度设置（如precision = 400而不是800），以换取速度。
     • 问题分解：如果N_max很大，可以尝试分层求解。先以较低的N_max（如15）求解，将其解作为高N_max问题的初始猜测，或者固定低n的系数，只优化高n的系数。

7.2 理论分类与诊断

如何判断找到的解属于哪一类理论？以下是基于数值结果的诊断流程：

关键点：类别 II 理论在树层级同样只有极点，其与类别 I 的核心区别在于大s固定t的渐近行为，以及是否满足那个源自未减除色散关系的等式DM=0。数值上，可以通过在较大的s（如s=50,t=-2）计算振幅，并与s=0附近的常数外推值比较，来区分是趋于零还是常数。

7.3 未来扩展方向

1. 探索更一般的谱：放松开超弦的谱约束 (n-ℓ为奇数)，允许所有自旋0 ≤ ℓ ≤ n的粒子交换。这对应着像玻色弦 Veneziano 振幅那样的理论。引导程序可能会发现新的可接受的理论。
2. 引入 Coon 振幅及其 q-变形：Coon 振幅具有 q-变形的整数极点，且谱在特定能级下有累积点。这需要修改我们的谱假设和色散关系，是检验框架鲁棒性的好题目。
3. 高阶微扰修正：本文专注于树级。将框架推广到圈图水平是巨大的挑战，但可以首先尝试在圈级振幅满足的（割角）色散关系基础上，构建参数化表示。
4. 与共形引导的交叉：本文的数值引导与共形场论中的共形引导在哲学和技术上高度相似。探索如何将这里的λ-无关性约束、“熵最小化”等思想移植到共形引导中，可能催生新的数值策略。
5. 机器学习架构创新：设计更适合本问题的神经网络，例如将n和ℓ作为二维输入，使用卷积层来捕捉谱的局部特征；或者使用图神经网络，将散射过程表示为一个图，粒子交换作为边。

这个基于参数化表示和场重定义模糊性的新框架，为散射振幅的数值研究打开了一扇新窗户。它不仅仅是为了复现弦论，更是为了系统性地测绘满足基本物理原理但可能偏离某些优美对称性（如严格对偶性）的广阔理论景观。将解析的严密性与数值的威力以及机器学习的灵活性相结合，或许是探索量子场论和量子引力未知领域的关键。