Exploring Holographic Bulk Dynamics via Machine Learning and the Brickwall Model Hyeonwoo Yu Gwangju Institute of Science and Technology

Abstract

AdS/CFT 대응성은 경계면의 정보로부터 내부의 벌크(bulk) 시공간을 이해할 수 있는 강력한 도구이다. 본 학위 논문에서는 이 홀로그래피 원리를 활용하여 벌크 물리를 탐구하는 두 가지 상호 보완적인 접근법을 제시한다.첫 번째 접근법은 계산물리학적 방 법론에초점을맞춘다.복잡한홀로그래피역문제(inverse problem)를풀기위해,우리는 딥러닝(Deep Learning)이라는새로운도구를도입하고그효율성을검증한다.특히고전 역학의 간단한 예시를 통해 AdS/DL의 구조를 명확히 하고, PINN 및 Neural ODE와 같은 여러 딥러닝 기반 모델을 비교 ·검토하여 이 방법론의 가능성을 탐구한다.두 번째 접근법은해석적/이론적분석에초점을맞춘다.벌크시공간의가장흥미로운객체인블 랙홀의 근본적인 양자적 성질을 이해하고자 한다. 우리는 브릭월 모델(brickwall model) 을 고차원으로 확장하여, 고차원 Rindler-AdSd+1 블랙홀의 사건의 지평선 근처에서도 양자 혼돈(quantum chaos) 특성이 강하게 나타남을 보인다. 이는 블랙홀의 미시 상태 (microstates)에대한깊은통찰을제공한다.결론적으로,본논문은새로운계산물리학적 ’방법론의 개발’과 특정 물리 문제에 대한 ’심도 깊은 이론적 적용’이라는 두 축을 통해 홀로그래피 시공간을 다각적으로 탐구한 연구이다. – iii – ©2026 유 현 우 ALL RIGHTS RESERVED|AdS/CFT correspondence is a powerful tool for understanding internal bulk space- time from information at the boundary. In this dissertation, we present two comple- mentary approaches to exploring bulk physics by leveraging this holographic principle. The first approach focuses on computational physics methods. To solve complex holo- graphic inverse problems, we introduce a novel tool called deep learning and verify its effectiveness. Specifically, we clarify the structure of AdS/DL using a simple example from classical mechanics and explore the potential of this methodology by comparing and examining several deep learning-based models, such as PINN and Neural ODE. The second approach focuses on analytical and theoretical analysis. We aim to under- stand the fundamental quantum properties of black holes, the most intriguing objects in bulk spacetime. By extending the brickwall model to higher dimensions, we show that quantum chaos is strongly evident even near the event horizon of high-dimensional Rindler-AdSd+1 black holes. This provides profound insights into the microstates of black holes. In conclusion, this paper is a multifaceted study of holographic spacetime, focusing on two axes: the development of a new computational physics methodology and its in-depth theoretical application to specific physical problems. ©2026 Hyeonwoo Yu ALL RIGHTS RESERVED