Black hole/quantum machine learning correspondence

Schwarze Löcher werden oft als die ultimativen kosmischen Fallen beschrieben, Regionen, in denen die Gravitation so intensiv ist, dass nichts, nicht einmal Licht, entkommen kann. Seit Jahrzehnten quält Physiker ein tiefes Rätsel darüber, was mit der Information über alles geschieht, das in ein solches fällt. Laut den Regeln der Quantenmechanik kann Information niemals wirklich zerstört werden; sie muss in irgendeiner Form bewahrt bleiben. Doch wenn Schwarze Löcher durch die Emission eines schwachen Leuchtens, bekannt als Hawking-Strahlung, langsam verdampfen, schien es, als würde diese Information für immer verschwinden, was einen Widerspruch zwischen unserem Verständnis der Gravitation und den fundamentalen Gesetzen des Allerkleinsten erzeugte. Dieser Konflikt, bekannt als das Schwarze-Loch-Informationsparadoxon, zwingt Wissenschaftler zu der Frage, wie das Universum seine Aufzeichnungen führt, wenn ein Schwarzes Loch zerfällt.

Kürzlich haben Forscher begonnen, dieses uralte Problem durch die Linse eines modernen Feldes namens Quanten-Maschinelles-Lernen zu betrachten. Dies ist ein Zweig der Wissenschaft, der untersucht, wie künstliche Intelligenzsysteme Informationen verarbeiten, wenn sie unter den seltsamen Regeln der Quantenphysik operieren. In diesen Systemen gibt es ein kurioses Phänomen, bei dem eine Erhöhung der Komplexität eines Modells die Leistung nicht immer sofort verbessert. Stattdessen gibt es einen spezifischen Punkt, an dem das System am stärksten zu kämpfen scheint, bevor es plötzlich sehr gut in seiner Aufgabe wird. Dieses Verhalten, genannt „Double Descent“ (doppelter Abstieg), tritt auf, wenn die Anzahl der Variablen, die das Modell zu lernen versucht, mit der Anzahl der Datenpunkte übereinstimmt, die es zum Lernen zur Verfügung hat. Es ist ein Übergangsmoment, in dem sich das System von der Unfähigkeit, die Daten anzupassen, hin zur Fähigkeit, sie perfekt anzupassen, und schließlich zu einer guten Generalisierung wandelt.

In einer neuen Studie schlagen die Wissenschaftler Zae Young Kim und Jae-Weon Lee eine überraschende Verbindung zwischen diesen beiden scheinbar unzusammenhängenden Welten vor. Sie legen nahe, dass der Moment, in dem ein Schwarzes Loch eine kritische Phase seines Lebens erreicht, bekannt als die Page-Zeit, mathematisch identisch mit dem Moment ist, in dem ein maschinelles Lernmodell seine schwierigste Lernschwelle erreicht. Die Page-Zeit ist der Zeitpunkt in der Verdampfung eines Schwarzen Lochs, an dem die Menge der emittierten Strahlung etwa der Menge der verbleibenden Materie im Inneren des Schwarzen Lochs entspricht. Vor diesem Moment ist das Schwarze Loch größer als die Strahlung, die es abgegeben hat. Nach diesem Moment ist die Strahlungswolke größer als das schrumpfende Schwarze Loch. Die Forscher fanden heraus, dass dieser Gleichgewichtspunkt nicht nur ein Zufall der Größe ist, sondern ein fundamentaler Wandel in der Art und Weise, wie Information rekonstruiert werden kann.

Um dies zu untersuchen, behandelte das Team die Beziehung zwischen einem Schwarzen Loch und seiner Strahlung wie ein riesiges Informationsrätsel. Sie stellten sich das Schwarze Loch und die Strahlung als zwei Seiten eines einzigen, reinen Quantenzustands vor. Die Herausforderung, die sie sich selbst stellten, bestand darin zu sehen, ob eine am Schwarzen Loch vorgenommene Aktion perfekt durch eine Aktion nachgeahmt werden kann, die nur an der Strahlung durchgeführt wurde. In der Sprache ihrer Studie ist dies vergleichbar mit der Frage, ob man eine spezifische Bewegung einer Person rekonstruieren kann, indem man nur deren Schatten beobachtet. Wenn der Schatten detailliert genug ist, kann man genau bestimmen, wie sich die Person bewegt hat. Wenn der Schatten zu einfach ist, kann man dies nicht.

Die Forscher entdeckten, dass die Strahlung vor der Page-Zeit, wenn das Schwarze Loch noch groß ist, nicht detailliert genug ist, um jede Aktion im Inneren des Schwarzen Lochs perfekt zu rekonstruieren. Es gibt eine fundamentale Lücke, ein fehlendes Puzzleteil, weil die Strahlung noch nicht genügend Information akkumuliert hat, um alle Möglichkeiten des Inneren des Schwarzen Lochs abzudecken. Sobald das System jedoch die Page-Zeit überschreitet und die Strahlung größer als das Schwarze Loch wird, ändert sich die Situation vollständig. Die Strahlung enthält nun genügend Informationen, um jede Aktion am Schwarzen Loch mit perfekter Genauigkeit unter Verwendung allgemeiner linearer Operatoren zu rekonstruieren. Dieser Übergang markiert den Moment, in dem der „Schatten“ detailliert genug wird, um die „Person“ vollständig darzustellen. Die Forscher stellen jedoch klar, dass diese Fähigkeit zur perfekten Rekonstruktion für lineare Operatoren gilt; sie garantiert nicht, dass jede physikalische Beobachtbare eines Schwarzen Lochs (die hermitesch sein muss) eine exakte Repräsentantin in der Strahlungs-Beobachtbaren besitzt, da dies eine zusätzliche Kompatibilitätsbedingung erfordert.

Was diesen Befund besonders bemerkenswert macht, ist das, was genau in dem Moment dieses Übergangs geschieht. Die Forscher fanden heraus, dass das System zwar fähig zur perfekten Rekonstruktion wird, gleichzeitig aber extrem empfindlich gegenüber winzigen Fehlern reagiert. Genau wie ein Modell des Maschinellen Lernens am stärksten damit kämpft, wenn es versucht, die exakte Anzahl der Datenpunkte zu lernen, wird das System des Schwarzen Lochs zum Zeitpunkt der Page-Zeit statistisch instabil. Wenn auch nur eine winzige Menge an Unsicherheit oder Rauschen in der gemessenen Information vorhanden ist, kann der Versuch, den Zustand des Schwarzen Lochs aus der Strahlung zu rekonstruieren, zu massiv großen Fehlern führen. Dies liegt nicht daran, dass die Information fehlt, sondern daran, dass die mathematischen Werkzeuge, die zur Extraktion verwendet werden, an ihre Grenzen gebracht werden.

Die Studie nutzt eine spezifische mathematische Regel, bekannt als das Marchenko-Pastur-Gesetz, um zu beschreiben, wie sich das Spektrum der Information während dieses Übergangs verhält. Diese Regel, die häufig zur Analyse großer Datensätze in der Statistik verwendet wird, sagt voraus, dass die Schwierigkeit der Rekonstruktionsaufgabe genau dann ansteigt, wenn die Größe des Schwarzen Lochs und die Größe der Strahlung gleich groß sind. Die Forscher zeigten, dass dieser Anstieg der Schwierigkeit ein universelles Merkmal der Geometrie des Problems ist, das auftritt, egal ob man das Schwarze Loch als physisches Objekt betrachtet oder die Strahlung als Datensatz für einen Lernalgorithmus.

Wichtig ist, dass die Autoren klarstellen, dass dies nicht bedeutet, dass das Schwarze Loch selbst zusammenbricht oder dass die Gesetze der Physik versagen. Stattdessen hebt es eine spezifische Eigenschaft dessen hervor, wie Information verteilt wird. Das System ist vollkommen fähig, Information zu bewahren, aber die Methode, diese Information abzurufen, wird im Moment des Übergangs hochgradig instabil. Es ist ein Moment extremer Sensibilität, in dem der Pfad von der Strahlung zurück zum Schwarzen Loch mathematisch klar, aber praktisch fragil ist.

Diese Arbeit legt nahe, dass das seltsame Verhalten, das in modernen Systemen der Künstlichen Intelligenz beobachtet wird, nicht einzigartig für Computer ist. Es scheint, dass dieselben geometrischen Prinzipien, die regeln, wie eine Maschine aus Daten lernt, auch regeln, wie das Universum Information in der Gegenwart von Gravitation bewahrt. Indem die Forscher das Informationsproblem des Schwarzen Lochs als eine Art Lernaufgabe betrachteten, haben sie einen neuen Weg aufgezeigt, um die Page-Zeit zu verstehen. Sie ist nicht bloß ein Punkt, an dem die Entropie ihren Höhepunkt erreicht, sondern eine Schwelle, an der sich die Natur der Informationsrückgewinnung von einer allgemein unmöglichen zu einer für lineare Operatoren möglichen, jedoch von statistischer Instabilität geprägten Art wandelt.

Die Studie befasst sich auch mit einem weit verbreiteten Missverständnis, wonach diese Instabilität ein Versagen der Fähigkeit des Schwarzen Lochs impliziert, Information zu halten. Die Forscher unterscheiden sorgfältig zwischen der Fähigkeit, eine Lösung zu finden, und der Stabilität dieser Lösung. Sie zeigen, dass zwar nach der Page-Zeit eine perfekte Lösung existiert, das Finden dieser Lösung jedoch ein Navigieren in einer Landschaft erfordert, in der kleine Fehler verstärkt werden. Dies ist eine Eigenschaft der mathematischen Struktur des Problems und kein Defekt des physikalischen Systems selbst. Die Information ist vorhanden, aber die Extraktion ohne Fehler erfordert perfekte Präzision, was in jedem realen Szenario, das Messungen beinhaltet, schwierig zu erreichen ist.

Letztlich bietet diese Forschung eine Brücke zwischen zwei unterschiedlichen Gebieten der Physik. Sie demonstriert, dass das Double-Descent-Phänomen, ein Konzept, das aus der Untersuchung von Algorithmen stammt, ein direktes Gegenstück im Lebenszyklus eines Schwarzen Lochs hat. Der Moment, in dem ein Schwarzes Loch und seine Strahlung die gleiche Größe erreichen, ist derselbe Moment, in dem das System den Übergang von der Unfähigkeit, den Zustand des Schwarzen Lochs darzustellen, zur Fähigkeit vollzieht, dies zu tun – und gleichzeitig am empfindlichsten gegenüber Rauschen wird. Diese Korrespondenz deutet darauf hin, dass die tiefe Geometrie der Information eine universelle Sprache ist, die sowohl von den Sternen als auch von den Siliziumchips gesprochen wird, mit denen wir sie untersuchen. Die Ergebnisse lösen das Schwarze-Loch-Paradoxon nicht im Sinne einer endgültigen, vollständigen Theorie der Quantengravitation, aber sie beleuchten ein spezifisches, kritisches Merkmal dessen, wie Information in diesen extremen Umgebungen agiert, und enthüllen eine verborgene Einheit zwischen der Physik des Riesigen und der des Winzigen.