PINN per l'Analisi Geometrica: Lezioni dal Problema di Plateau Asintotico
Un contributo agli atti, derivante da una presentazione al workshop 'DANGER: Data, Numbers, and Geometry' del 2026, descrive un approccio di apprendimento automatico che utilizza reti neurali informate dalla fisica (PINN) per sviluppare dischi quasi minimi nello spazio iperbolico che sono asintotici a un nodo specificato all'infinito. Questa ricerca, condotta in collaborazione con Marco Usula, offre supporto numerico a una congettura proposta da Joel Fine, che collega le superfici minime in H^4 ai coefficienti del polinomio di HOMFLY. L'articolo enfatizza due elementi critici per l'efficacia del metodo: integrare la geometria del problema nella struttura del modello e affrontare le condizioni al contorno. I risultati completi sono disponibili nel preprint arXiv:2605.26234v2.
Fatti principali
- L'articolo è un contributo agli atti basato su una presentazione al workshop 'DANGER: Data, Numbers, and Geometry' del 2026.
- Elabora i risultati di arXiv:2605.26234v2, un lavoro congiunto con Marco Usula.
- Il quadro utilizza reti neurali informate dalla fisica (PINN) per costruire dischi quasi minimi nello spazio iperbolico asintotici a un nodo prescritto all'infinito.
- Il metodo fornisce evidenza numerica per una congettura di Joel Fine che mette in relazione le superfici minime in H^4 con i coefficienti del polinomio di HOMFLY.
- L'articolo discute due aspetti che determinano se il metodo funziona: codificare la geometria nell'architettura del modello e le condizioni al contorno.
- I risultati completi sono presentati nel preprint associato arXiv:2605.26234v2.
- Il workshop 'DANGER: Data, Numbers, and Geometry' si è svolto nel 2026.
- Il lavoro coinvolge lo spazio iperbolico e i nodi all'infinito.
Entità
Artisti
- Marco Usula
- Joel Fine
Istituzioni
- arXiv