Vorhersage von L-Funktions-Eigenschaften aus Trace-Index-Graphen mittels Graph Neural Networks
AI & Machine Learning
graph-neural-networksnumber-theorylmfdbspectral-filtersmodular-formssato-tatemachine-learningriemann-hypothesis
Back openDesk Edu for a sovereign, open-source education â every vote counts.
Vote nowSave products you love by clicking the heart icon.
VollstÀndiges Paper herunterladen (PDF, 12 Seiten)
Dieses Paper ist das positive GegenstĂŒck zu unserer Studie ĂŒber negative Ergebnisse: When Graph Neural Networks Meet the Riemann Hypothesis: A Systematic Negative Study
Kann maschinelles Lernen arithmetische Eigenschaften von Modulformen vorhersagen, indem es auf graphstrukturierten ReprĂ€sentationen von Fourier-Koeffizienten-Daten operiert? Wir untersuchen diese Frage mithilfe von Graph Neural Networks auf Trace-Index-Graphen: 1000-Knoten-GraphreprĂ€sentationen einzelner Newforms, wobei jeder Knoten einem Fourier-Index entspricht und Kanten die sequentielle Adjazenz, die Primzahlstruktur sowie die k-Nearest-Neighbor-Ăhnlichkeit im Koeffizientenraum kodieren.
Auf 46.347 Weight-2 Newforms aus der LMFDB sagt ein 3-lagiges Chebyshev-Spektralfilter-Netzwerk (K=5) Folgendes voraus:
Spektralfilter ĂŒbertreffen konsistent einfache GCNs, wobei die gröĂten Gewinne bei der Erkennung seltener Klassen erzielt wurden (+38,87 pp im Fâ der Klasse 2). Die Generalisierung ĂŒber verschiedene Ebenen zeigt, dass die Regression moderat abnimmt (-14 % bei RÂČ), wĂ€hrend die Klassifizierung stĂ€rker darunter leidet. Unsere Sato-Tate-Momentenanalyse ĂŒber 53.779 Formen bestĂ€tigt, dass die empirische Spurverteilung mit der SU(2)-Theorie ĂŒbereinstimmt, wobei CM-Formen durch ihre U(1)-Momente deutlich unterscheidbar sind.
| Zielvariable | Metrik | GCN Baseline | ChebConv K=5 |
|---|---|---|---|
| zâ (erste L-Funktionsnullstelle) | RÂČ | 0,559 | 0,625 |
| Analytischer Rang (3-Klassen) | Genauigkeit | 91,27 % | 94,16 % |
| Analytischer Rang | Fâ makro | 74,61 % | 89,22 % |
| Analytischer Rang (Klasse â„2) | Fâ | 40,00 % | 78,87 % |
| CM-Status (binÀr) | Genauigkeit | 99,96 % | 100,00 % |
Diese Arbeit folgt auf ein systematisches negatives Ergebnis: GNNs auf Cayley-Graphen von SL(2,Fâ) können keine spektralen Eigenschaften vorhersagen, da die Vertex-TransitivitĂ€t erzwingt, dass jeder Knoten strukturell identisch ist. Ein Message-Passing-GNN erhĂ€lt von jedem Knoten die gleichen Informationen, was eine Vorhersage auf Graph-Ebene unmöglich macht. Ăber sieben Experimenten-Tracks hinweg scheiterte jede GNN-Konfiguration oder lieferte nur marginale Verbesserungen gegenĂŒber den Baselines.
Die Lösung: Anstatt Graphen aus der algebraischen Struktur (der Gruppe SL(2,Fâ)) zu konstruieren, werden sie aus den Fourier-Koeffizienten-Daten selbst erstellt. Dies gibt dem GNN:
Das Paper enthĂ€lt eine statistische Analyse normalisierter Hecke-Spuren xâ = aâ(f) / (2âp) ĂŒber 53.779 Formen:
Dies verbindet zwei zentrale Themen der analytischen Theorie von Modulformen: die Ăquidistribution von Hecke-Eigenwerten und die Statistiken von L-Funktionsnullstellen.
FĂŒr jede Modulform f konstruieren wir einen Graphen G_f mit:
Alle Modelle wurden mit AdamW, CosineAnnealingLR, Early Stopping und einem stratifizierten 80/10/10 Split trainiert.
Das Training auf Leitern (conductors) †3000 (low level) und das Testen auf Leitern > 4000 (high level) offenbart eine Asymmetrie:
Dies deutet darauf hin, dass das GNN leiter-unabhĂ€ngige Muster fĂŒr die Nullstellen-Vorhersage, aber leiter-abhĂ€ngige Muster fĂŒr die Rang-Klassifizierung seltener Klassen lernt.
Eine Folgestudie an 63.844 Weight-2 Newforms aus der LMFDB zeigt einen scharfen, dimensionsabhĂ€ngigen Ăbergang in den Statistiken der L-Funktions-NullstellenabstĂ€nde â ein empirischer Beleg fĂŒr die KatzâSarnak-Philosophie, dass Familien von L-Funktionen eine Symmetrie vom Typ der Zufallsmatrizen aufweisen.
Haupterkenntnisse:
| Form-Dimension | Abstands-Ensemble | Brody ÎČ |
|---|---|---|
| dim = 1 | GUE | 1,88 |
| dim â„ 2 | nahezu-Poisson | 0,24 |
| dim â„ 2 (AusreiĂer, ~6 %) | GUE (beibehalten) | â |
Dies ergĂ€nzt die Arbeit zum Trace-Index-GNN: WĂ€hrend das GNN lernt, einzelne Nullstellenpositionen und arithmetische Eigenschaften aus der Koeffizientenstruktur vorherzusagen, charakterisiert diese Studie das globale Abstandsgesetz und zeigt, dass es fast vollstĂ€ndig von skalaren Invarianten (Dimension, Ebene) und nicht von den detaillierten Hecke-Daten gesteuert wird. Die Erkenntnis, dass âskalare Metadaten rohe Spuren schlagenâ, ist ein wiederkehrendes Thema im gesamten Forschungsprogramm.
Veröffentlicht: The Two-Population Structure of L-Function Zero Spacings: dim=1 to GUE, dimâ„2 to Poisson with 6% Outliers (Zenodo 10.5281/zenodo.21979592)
Aufbauend auf der Arbeit zu den Trace-Index-Graphen erreicht eine neue Studie F1=0,900 fĂŒr die CM-Erkennung in Weight-2 Newforms unter Verwendung von Gradient Boosting Machines, die auf primzahl-indizierten Fourier-Koeffizienten in Kombination mit 11 Sato-Tate-Momenten trainiert wurden:
Veröffentlicht: Data-Driven Detection of Complex Multiplication in Weight 2 Cusp Forms (Zenodo 10.5281/zenodo.20555502)
Diese Arbeit folgt auf ein systematisches negatives Ergebnis: GNNs auf Cayley-Graphen von SL(2,Fâ) können spektrale Eigenschaften nicht vorhersagen, da die Vertex-TransitivitĂ€t dazu fĂŒhrt, dass jeder Knoten strukturell identisch ist. Ein Message-Passing-GNN erhĂ€lt von jedem Knoten die gleichen Informationen, was eine Vorhersage auf Graphenebene unmöglich macht. Ăber sieben Experimentierreihen hinweg scheiterte jede GNN-Konfiguration oder lieferte nur marginale Verbesserungen gegenĂŒber den Baselines.
Die Lösung: Anstatt Graphen aus der algebraischen Struktur (der Gruppe SL(2,Fâ)) zu konstruieren, werden sie aus den Fourier-Koeffizienten-Daten selbst erstellt. Dies bietet dem GNN: