개념완성

등각 변환 (Conformal Transformations)

1. 무한소 등각 변환

좌표의 무한소 변환 xμxμ+ϵμ(x)x^\mu \to x^\mu + \epsilon^\mu(x)를 고려하자. 계량 텐서의 변화는

δgμν=μϵν+νϵμ\delta g_{\mu\nu} = \partial_\mu \epsilon_\nu + \partial_\nu \epsilon_\mu

이다. 이 변환이 등각 변환이 되려면 δgμν=f(x)gμν\delta g_{\mu\nu} = f(x)\, g_{\mu\nu}를 만족해야 하므로,

μϵν+νϵμ=2d(ϵ)ημν\partial_\mu \epsilon_\nu + \partial_\nu \epsilon_\mu = \frac{2}{d}(\partial \cdot \epsilon)\, \eta_{\mu\nu}

를 얻는다. 여기서 f(x)=2d(ϵ)f(x) = \tfrac{2}{d}(\partial \cdot \epsilon)이다.

정의2.1등각 킬링 방정식

위의 조건

μϵν+νϵμ=2d(ρϵρ)ημν\partial_\mu \epsilon_\nu + \partial_\nu \epsilon_\mu = \frac{2}{d}(\partial_\rho \epsilon^\rho)\, \eta_{\mu\nu}

등각 킬링 방정식(conformal Killing equation)이라 한다. 이 방정식의 해 ϵμ(x)\epsilon^\mu(x)를 등각 킬링 벡터(conformal Killing vector)라 부른다.

2. 등각 킬링 방정식의 풀이 (d3d \geq 3)

등각 킬링 방정식에 ρ\partial_\rho를 작용시키고 다양한 수축을 취하면, ϵμ(x)\epsilon^\mu(x)xx의 최대 2차 다항식임을 보일 수 있다:

ϵμ(x)=aμ+ωμνxν+λxμ+bμx22(bx)xμ\epsilon^\mu(x) = a^\mu + \omega^\mu{}_\nu x^\nu + \lambda x^\mu + b^\mu x^2 - 2(b \cdot x) x^\mu

각 항은 다음에 대응된다:

| 매개변수 | 변환 | 생성원 | 개수 | |----------|------|--------|------| | aμa^\mu | 병진 | PμP_\mu | dd | | ωμν=ωνμ\omega_{\mu\nu} = -\omega_{\nu\mu} | 회전/로렌츠 | MμνM_{\mu\nu} | d(d1)/2d(d-1)/2 | | λ\lambda | 팽창 | DD | 11 | | bμb^\mu | 특수 등각 변환 | KμK_\mu | dd |

유도등각 킬링 방정식으로부터의 유도

등각 킬링 방정식의 양변에 ρ\partial_\rho를 취하면

ρμϵν+ρνϵμ=2dημνρσϵσ\partial_\rho \partial_\mu \epsilon_\nu + \partial_\rho \partial_\nu \epsilon_\mu = \frac{2}{d}\, \eta_{\mu\nu}\, \partial_\rho \partial_\sigma \epsilon^\sigma

이 식에서 (ρ,μ)(\rho, \mu)(ρ,ν)(\rho, \nu)의 순환 치환을 취하고 더하면

2μνϵρ=2d(ημνρ+ηρμν+ηρνμ2dημνηρσσ(trace))(ϵ)2\partial_\mu \partial_\nu \epsilon_\rho = \frac{2}{d}\bigl(\eta_{\mu\nu}\partial_\rho + \eta_{\rho\mu}\partial_\nu + \eta_{\rho\nu}\partial_\mu - \frac{2}{d}\eta_{\mu\nu}\eta_{\rho\sigma}\partial^\sigma \cdot \text{(trace)}\bigr)(\partial \cdot \epsilon)

의 형태를 얻는다. d3d \geq 3이면 ϵ\partial \cdot \epsilonxx의 1차 함수임이 따라 나오고, 이로부터 ϵμ\epsilon^\muxx의 최대 2차 다항식이 된다.

3. 유한 등각 변환

각 무한소 변환에 대응하는 유한 변환은 다음과 같다.

병진: xμ=xμ+aμx'^\mu = x^\mu + a^\mu이며, 스케일 인자 Ω=1\Omega = 1이다.

회전/로렌츠: xμ=Λμνxνx'^\mu = \Lambda^\mu{}_\nu x^\nu이며, Ω=1\Omega = 1이다.

팽창: xμ=λxμx'^\mu = \lambda\, x^\mu이며, Ω=λ2\Omega = \lambda^2이다.

특수 등각 변환(SCT):

xμ=xμ+bμx21+2bx+b2x2x'^\mu = \frac{x^\mu + b^\mu x^2}{1 + 2b \cdot x + b^2 x^2}

이며, 스케일 인자는

Ω(x)=(1+2bx+b2x2)2\Omega(x) = (1 + 2b \cdot x + b^2 x^2)^{-2}

이다.

참고SCT의 기하학적 해석

특수 등각 변환은 반전(inversion) I:xμxμ/x2I: x^\mu \to x^\mu/x^2, 그 뒤에 병진 Tb:xμxμ+bμT_b: x^\mu \to x^\mu + b^\mu, 다시 반전 II를 적용한 것, 즉 SCT=ITbI\text{SCT} = I \circ T_b \circ I로 분해된다. 반전 자체는 등각 변환이지만 연결 성분의 항등원과 연결되지 않으므로 등각 군의 연속 부분에는 포함되지 않는다.

4. 등각 변환 하의 장의 변환

스핀이 없는 스칼라장 ϕ(x)\phi(x)가 등각 차원 Δ\Delta를 가지면, 유한 등각 변환 xxx \to x' 하에서

ϕ(x)ϕ(x)=xxΔ/dϕ(x)\phi(x) \to \phi'(x') = \left|\frac{\partial x'}{\partial x}\right|^{-\Delta/d} \phi(x)

와 같이 변환된다. 여기서 x/x|\partial x'/\partial x|는 야코비안의 절댓값이다.

정의2.2등각 차원과 스핀

등각장론에서 연산자는 팽창 생성원 DD의 고유값인 등각 차원(conformal dimension, 또는 scaling dimension) Δ\Delta와 회전 생성원 MμνM_{\mu\nu}의 표현에 의해 결정되는 스핀(spin) \ell로 분류된다. 유니터리 이론에서 등각 차원은 유니터리 하한(unitarity bound)을 만족해야 한다.

5. 유니터리 하한

dd차원 등각장론에서 유니터리성은 연산자의 등각 차원에 대해 하한을 부과한다.

스핀 =0\ell = 0인 스칼라 연산자의 경우:

Δd22(d3)\Delta \geq \frac{d-2}{2} \qquad (d \geq 3)

등호는 자유장일 때 달성된다. 스핀 1\ell \geq 1인 경우:

Δd2+\Delta \geq d - 2 + \ell

이 하한을 위반하는 연산자가 존재하면, 이론은 유니터리가 아니거나 해당 연산자가 영 연산자(null operator)가 되어야 한다.

예제에너지-운동량 텐서

에너지-운동량 텐서 TμνT_{\mu\nu}는 스핀 =2\ell = 2의 연산자이며, 보존 조건 μTμν=0\partial^\mu T_{\mu\nu} = 0에 의해 그 등각 차원은 정확히 Δ=d\Delta = d로 고정된다. 이는 유니터리 하한 Δd\Delta \geq d를 포화시킨다.

6. 등각 변환과 워드 항등식

등각 대칭은 상관 함수에 대한 워드 항등식(Ward identity)을 부과한다. 무한소 등각 변환의 생성원 GG에 대해

δGO1(x1)On(xn)=i=1nO1(x1)(δGOi(xi))On(xn)=0\langle \delta_G \mathcal{O}_1(x_1) \cdots \mathcal{O}_n(x_n) \rangle = \sum_{i=1}^n \langle \mathcal{O}_1(x_1) \cdots (\delta_G \mathcal{O}_i(x_i)) \cdots \mathcal{O}_n(x_n) \rangle = 0

이 성립한다. 이 조건은 상관 함수의 형태를 매우 강하게 제한한다. 특히 2점 함수와 3점 함수는 등각 대칭만으로 (구조 상수를 제외하면) 완전히 결정된다:

Oi(x1)Oj(x2)=CijδΔi,Δjx1x22Δi\langle \mathcal{O}_i(x_1) \mathcal{O}_j(x_2) \rangle = \frac{C_{ij}\, \delta_{\Delta_i, \Delta_j}}{|x_1 - x_2|^{2\Delta_i}} Oi(x1)Oj(x2)Ok(x3)=Cijkx12Δi+ΔjΔkx23Δj+ΔkΔix13Δi+ΔkΔj\langle \mathcal{O}_i(x_1) \mathcal{O}_j(x_2) \mathcal{O}_k(x_3) \rangle = \frac{C_{ijk}}{|x_{12}|^{\Delta_i + \Delta_j - \Delta_k} |x_{23}|^{\Delta_j + \Delta_k - \Delta_i} |x_{13}|^{\Delta_i + \Delta_k - \Delta_j}}

여기서 xij=xixjx_{ij} = x_i - x_j이다.