Universum är till stor del oförstått – endast 5 % av dess innehåll beskrivs till fullo av etablerade teorier. Strängteorin, en kvantmekanisk utvidgning av Einsteins teori för gravitation, ger geometriska modeller av Universum genom så kallade strängkompaktifieringar. Detta ger nya perspektiv, både på etablerad partikelfysik och kosmologi, och universums okända sektorer.

En central utmaning i fältet är att effektivt identifiera och analysera realistiska fysikmodeller i det enorma landskap av lösningar som teorin tillåter.

Projektets hypotes är att maskininlärning ger nya effektiva verktyg för denna sökuppgift. Sökmetoder baserade på maskininlärning kan hantera stora datamängder, och upptäcka strukturer däri, vilket är precis vad som behövs i stränglandskapet. Dessutom möjliggör maskininlärning förutsägelser av matematiska egenskaper hos kompaktifieringar som är utom räckhåll för etablerade geometriska metoder.

– Genom att kombinera insikter inom strängteori med kraftfulla metoder för maskininlärning kommer min forskargrupp att utveckla nya angreppssätt för att analysera strängkompaktifieringar. Detta arbete är interdisciplinärt och anslaget från Olle Engkvists Stiftelse säkerställer att min grupp inbegriper forskare med rätt kompetens. Tillsammans kommer vi kunna kartlägga kontinenter i stränglandskapet med hög precision, vilket bäddar för nya spännande upptäckter.