The Information Content of Krylov Observables: A Machine Learning Approach
Este artículo emplea el aprendizaje automático para demostrar que, si bien los observables de Krylov como la complejidad de propagación y la negatividad de Wigner pueden clasificar eficazmente las clases de simetría y estimar las temperaturas de termofield, la negatividad normalizada captura de manera única el excedente informacional del caos al resolver las degeneraciones espectrales y distinguir la dinámica de segundo momento de las características de grano fino del factor de forma espectral.