He visto un artículo que dice que encontrar vacas de teoría de cuerdas con propiedades particulares de baja energía es totalmente intratable, desde el punto de vista de la complejidad computacional. También he visto a gente que dice que ha descubierto cómo compactar las dimensiones adicionales de forma que a bajas energías surja un modelo estándar SUSY. ¿Cuál es la verdad sobre la fenomenología de las cuerdas? ¿Encontramos regularmente nuevas vacuolas que se parecen a nuestro universo? ¿Hemos encontrado sólo una? ¿Alguna? ¿Cómo de difícil es?
Respuesta
¿Demasiados anuncios?
En primer lugar, todo el tema de la fenomenología de cuerdas no se reduce a la búsqueda por fuerza bruta de algún espacio interno que produzca un espectro de baja energía que reproduzca el del SM. Véase la vida en la interfaz entre la teoría de cuerdas y la física de partículas para una excelente (y conceptual) visión general de la fenomenología de las cuerdas.
¿Encontramos regularmente nuevas vacuolas que se parecen a nuestro universo? Sí. Ver Un cuatrillón de modelos estándar de la teoría F para un cuatrillón de ejemplos, y este bonito entrada del blog para la información divulgativa.
¿Qué tan difícil es? Es bastante difícil. Un argumento naval que muestra por qué es tan difícil encontrar nuevos espacios de Calabi-Yau, por no hablar de uno con propiedades semi-realistas, sería reconocer que el número típico de módulos de un espacio de Calabi-Yau es enorme (a veces del orden de cientos), y esos campos están sujetos a muy pocas restricciones; entonces la expectativa de escribir nuevas métricas de CY de manera explícita es inútil.
Para un argumento claro sobre la complejidad computacional de encontrar una compactificación particular, con flujos, y capaz de producir una constante cosmológica pequeña en el escenario de Bousso-Polchinski, véase Complejidad computacional del paisaje .
Observación: El hecho de que un problema sea $NP$ -completo no implica que no podamos utilizar otras técnicas computacionales, equipadas con un conjunto de supuestos razonables, para dar algunas respuestas especiales a este problema en un tiempo razonable. Véase Aprendizaje profundo del paisaje para ver un ejemplo de ello.
Actualización: Un buen artículo sobre redes neuronales que aproximan la métrica de Calabi-Yau Aproximaciones de redes neuronales para la métrica de Calabi-Yau .
