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 — every vote counts.
Vote nowSave products you love by clicking the heart icon.
Vollständiges Paper herunterladen (PDF, 12 Seiten)
Dieses Paper ist das positive Gegenstück zu unserer Studie über 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 Repräsentationen von Fourier-Koeffizienten-Daten operiert? Wir untersuchen diese Frage mithilfe von Graph Neural Networks auf Trace-Index-Graphen: 1000-Knoten-Graphrepräsentationen einzelner Newforms, wobei jeder Knoten einem Fourier-Index entspricht und Kanten die sequentielle Adjazenz, die Primzahlstruktur sowie die k-Nearest-Neighbor-Ähnlichkeit im Koeffizientenraum kodieren.
Auf 46.347 Weight-2 Newforms aus der LMFDB sagt ein 3-lagiges Chebyshev-Spektralfilter-Netzwerk (K=5) Folgendes voraus:
Spektralfilter übertreffen konsistent einfache GCNs, wobei die größten Gewinne bei der Erkennung seltener Klassen erzielt wurden (+38,87 pp im F₁ der Klasse 2). Die Generalisierung über verschiedene Ebenen zeigt, dass die Regression moderat abnimmt (-14 % bei R²), während die Klassifizierung stärker darunter leidet. Unsere Sato-Tate-Momentenanalyse über 53.779 Formen bestätigt, dass die empirische Spurverteilung mit der SU(2)-Theorie übereinstimmt, wobei CM-Formen durch ihre U(1)-Momente deutlich unterscheidbar sind.
| Zielvariable | Metrik | GCN Baseline | ChebConv K=5 |
|---|---|---|---|
| z₁ (erste L-Funktionsnullstelle) | R² | 0,559 | 0,625 |
| Analytischer Rang (3-Klassen) | Genauigkeit | 91,27 % | 94,16 % |
| Analytischer Rang | F₁ makro | 74,61 % | 89,22 % |
| Analytischer Rang (Klasse ≥2) | F₁ | 40,00 % | 78,87 % |
| CM-Status (binär) | Genauigkeit | 99,96 % | 100,00 % |
Diese Arbeit folgt auf ein systematisches negatives Ergebnis: GNNs auf Cayley-Graphen von SL(2,Fₚ) können keine spektralen Eigenschaften vorhersagen, da die Vertex-Transitivität erzwingt, dass jeder Knoten strukturell identisch ist. Ein Message-Passing-GNN erhält von jedem Knoten die gleichen Informationen, was eine Vorhersage auf Graph-Ebene unmöglich macht. Über sieben Experimenten-Tracks hinweg scheiterte jede GNN-Konfiguration oder lieferte nur marginale Verbesserungen gegenüber den Baselines.
Die Lösung: Anstatt Graphen aus der algebraischen Struktur (der Gruppe SL(2,Fₚ)) zu konstruieren, werden sie aus den Fourier-Koeffizienten-Daten selbst erstellt. Dies gibt dem GNN:
Das Paper enthält eine statistische Analyse normalisierter Hecke-Spuren xₚ = aₚ(f) / (2√p) über 53.779 Formen:
Dies verbindet zwei zentrale Themen der analytischen Theorie von Modulformen: die Äquidistribution von Hecke-Eigenwerten und die Statistiken von L-Funktionsnullstellen.
Für 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-unabhängige Muster für die Nullstellen-Vorhersage, aber leiter-abhängige Muster für die Rang-Klassifizierung seltener Klassen lernt.
Eine Folgestudie an 63.844 Weight-2 Newforms aus der LMFDB zeigt einen scharfen, dimensionsabhängigen Übergang in den Statistiken der L-Funktions-Nullstellenabstände — ein empirischer Beleg für die Katz–Sarnak-Philosophie, dass Familien von L-Funktionen eine Symmetrie vom Typ der Zufallsmatrizen aufweisen.
Haupterkenntnisse:
| Form-Dimension | Abstands-Ensemble | Brody β |
|---|---|---|
| dim = 1 | GUE | 1,88 |
| dim ≥ 2 | nahezu-Poisson | 0,24 |
| dim ≥ 2 (Ausreißer, ~6 %) | GUE (beibehalten) | — |
Dies ergänzt die Arbeit zum Trace-Index-GNN: Während das GNN lernt, einzelne Nullstellenpositionen und arithmetische Eigenschaften aus der Koeffizientenstruktur vorherzusagen, charakterisiert diese Studie das globale Abstandsgesetz und zeigt, dass es fast vollständig von skalaren Invarianten (Dimension, Ebene) und nicht von den detaillierten Hecke-Daten gesteuert wird. Die Erkenntnis, dass „skalare Metadaten rohe Spuren schlagen“, ist ein wiederkehrendes Thema im gesamten Forschungsprogramm.
Veröffentlicht: The Two-Population Structure of L-Function Zero Spacings: dim=1 to GUE, dim≥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 für 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,Fₚ) können spektrale Eigenschaften nicht vorhersagen, da die Vertex-Transitivität dazu führt, dass jeder Knoten strukturell identisch ist. Ein Message-Passing-GNN erhält von jedem Knoten die gleichen Informationen, was eine Vorhersage auf Graphenebene unmöglich macht. Über sieben Experimentierreihen hinweg scheiterte jede GNN-Konfiguration oder lieferte nur marginale Verbesserungen gegenüber den Baselines.
Die Lösung: Anstatt Graphen aus der algebraischen Struktur (der Gruppe SL(2,Fₚ)) zu konstruieren, werden sie aus den Fourier-Koeffizienten-Daten selbst erstellt. Dies bietet dem GNN: