연구진은 PINN(Physics-Informed Neural Networks)을 활용해 강하게 결합된 양자장론의 홀로그래픽 이중성을 재구성하는 방법을 연구했어요. 거대한 계층 구조와 가짜 진공 상태가 존재하는 영역에서 비정상적인 열역학적 행동과 리노르말화 그룹 흐름을 분석했어요. 새로운 방법론을 통해 가짜 진공 영역의 스칼라 포텐셜을 정확하게 재구성하고, 기존 PINN 방법론의 한계를 극복했어요.
PINN 기반 방법론을 개선하여 접근하기 어려웠던 새로운 물리 영역으로 확장하고, 입력 데이터가 직접 탐색하지 않는 영역에서도 스칼라 포텐셜을 재구성하는 데 성공했어요. 이 결과는 홀로그래피와 머신러닝의 연결 고리를 확장하고, 강하게 결합된 시스템의 구조에 대한 새로운 통찰력을 제공할 수 있음을 시사해요.
개발된 프레임워크를 적용하여 상당한 수치적 강직성에도 불구하고, 기본 열역학적 특징과 견고하게 일치하는 스칼라 포텐셜을 재구성했어요. 이는 데이터 기반 접근 방식이 강하게 결합된 시스템을 이해하는 데 기여할 수 있음을 보여줘요.