The Information Content of Krylov Observables: A Machine Learning Approach
यह शोध पत्र मशीन लर्निंग का उपयोग यह प्रदर्शित करने के लिए करता है कि जबकि क्रिलोव अवलोकनीय (Krylov observables) जैसे कि स्प्रेड कॉम्प्लेक्सिटी और विग्नर नेगेटिविटी, सममिति वर्गों (symmetry classes) को प्रभावी ढंग से वर्गीकृत करने और थर्मोफील्ड तापमान का अनुमान लगाने में सक्षम हैं, वहीं नॉर्मलाइज्ड नेगेटिविटी (normalized negativity) स्पेक्ट्रल डिजेनेरेसी को हल करके और सेकंड-मोमेंट डायनेमिक्स को फाइन-ग्रेन्ड स्पेक्ट्रल फॉर्म फैक्टर फीचर्स से अलग करके अराजकता (chaos) के सूचनात्मक अधिशेष (informational surplus) को विशिष्ट रूप से पकड़ती है।