Emergent causal order and time direction: bridging causal models and tensor networks

Il paper propone un quadro bidirezionale che collega modelli causali e reti tensoriali per definire l'ordine causale emergente e la direzione del tempo attraverso principi operativi, permettendo l'analisi di strutture causali cicliche e indefinite in contesti come le reti tensoriali olografiche.

L'essenziale

Immagina di trovarti di fronte a due linguaggi completamente diversi per descrivere come funziona l'universo.

Da una parte c'è il linguaggio della Causa ed Effetto (i "Modelli Causali"). È come una ricetta di cucina o un albero genealogico: c'è un ordine preciso. Prima tagli le cipolle, poi le cuoci. La cipolla è la causa, il soffritto è l'effetto. Le frecce indicano chiaramente chi fa cosa e in quale direzione scorre il tempo. È un linguaggio potente, ma presuppone che il tempo abbia già un senso (prima e dopo).

Dall'altra parte c'è il linguaggio delle Reti di Tensori (usato spesso nella fisica quantistica e nello studio della gravità). Immagina una grande ragnatela di nodi e fili, dove i fili sono collegati ma non hanno una direzione. È come un puzzle tridimensionale o una rete neurale: tutti i pezzi sono connessi, ma non c'è scritto "questo pezzo va prima di quello". È un linguaggio "agnostico" sul tempo: non sa se il tempo scorre avanti o indietro, o se esiste affatto. È perfetto per descrivere l'universo alla sua radice, dove le regole potrebbero essere diverse da quelle che conosciamo.

Il problema:
I fisici si chiedono: Possiamo capire da dove viene il tempo e la causalità partendo solo da questa ragnatela senza direzione? Oppure, al contrario, possiamo usare le nostre regole di causa-effetto per capire cosa succede in quella ragnatela misteriosa?

La soluzione di questo articolo:
Gli autori (Carla, Giulia e V. Vilasini) hanno costruito un ponte tra questi due mondi. Hanno creato un "traduttore" che permette di passare da un linguaggio all'altro.

Ecco come funziona, con qualche analogia:

1. Il Ponte Magico (Le Mappature)

Immagina di avere un disegno su un foglio di carta (la rete di tensori, senza frecce).

• Da Causa a Rete: Se hai una ricetta (causale), puoi trasformarla in un disegno di nodi e fili. È facile: togli le frecce e ottieni la ragnatela.
• Da Rete a Causa (Il trucco): Questo è il punto geniale. Se prendi la ragnatela senza frecce, puoi decidere di inventare delle frecce.
  • Se disegni una freccia da A a B, ottieni una storia dove A causa B.
  • Se disegni la freccia da B a A, ottieni una storia dove B causa A.
  • La sorpresa: Anche se le storie sono diverse (A causa B vs B causa A), la "ragnatela" sottostante è la stessa. Questo significa che la stessa struttura fisica può essere interpretata come diverse storie di tempo e causalità. È come guardare un cubo di Necker: a volte vedi la faccia davanti, a volte quella dietro, ma l'oggetto è lo stesso.

2. Le "Rotazioni" dello Spazio-Tempo

Gli autori chiamano questo fenomeno "Rotazioni Discrete dello Spazio-Tempo".
Immagina di avere un oggetto fatto di Lego. Se lo ruoti di 90 gradi, cambia il modo in cui lo vedi (ora la parte che era sopra è ora a destra), ma l'oggetto è lo stesso.
Nel loro lavoro, cambiare la direzione delle frecce nella ragnatela è come ruotare l'oggetto. Puoi creare diverse "storie" di come il tempo scorre, ma tutte queste storie condividono le stesse regole fondamentali su chi può comunicare con chi. Se nella ragnatela due nodi non possono "parlarsi" (non c'è segnale), allora non potranno parlarsi in nessuna delle storie che inventi ruotando le frecce.

3. Il Test della "Causa Reale"

C'era un dubbio: quando guardiamo una ragnatela di tensori, le correlazioni che vediamo sono davvero "causa-effetto" o sono solo coincidenze (come due orologi che segnano la stessa ora perché sono stati sincronizzati, non perché uno fa girare l'altro)?
Gli autori hanno creato un nuovo modo per misurare la "causalità" nella ragnatela. Hanno detto: "Facciamo un esperimento mentale. Se cambio qualcosa qui (A), cambia qualcosa lì (B)?"
Usando il loro ponte, hanno dimostrato che se nella ragnatela c'è un'influenza causale, allora nel modello causale tradotto c'è un vero "segnale" che viaggia. Hanno così dato un significato pratico e operativo a cosa significa "causare" in un universo senza tempo predefinito.

4. L'Applicazione: L'Ologramma

Hanno usato questo metodo per studiare le Reti Olografiche (un modello che cerca di spiegare come lo spazio tridimensionale possa emergere da informazioni bidimensionali, come in un ologramma).
In questi modelli complessi, a volte è difficile capire se un evento nel "centro" (il bulk) influenza un evento sul "bordo".
Usando il loro ponte, hanno trasformato la rete complessa in un modello causale semplice (un grafo). Poi hanno usato le regole matematiche della "separazione dei grafi" (come dire: "se c'è un muro tra A e B, non possono parlarsi") per dimostrare matematicamente che, in certi casi, non c'è alcuna influenza causale tra le regioni, anche se la rete sembra molto intricata. È come usare una mappa stradale per capire se due città sono collegate da una strada diretta, senza dover guidare fisicamente per verificarlo.

In sintesi

Questo articolo ci dice che:

1. Il tempo e la causalità potrebbero non essere fondamentali, ma emergere da strutture più semplici (le reti).
2. Possiamo tradurre le strutture senza tempo in storie con il tempo, e viceversa.
3. Esistono molte "storie" diverse (diverse direzioni del tempo) che descrivono la stessa realtà fisica, come diverse angolazioni di uno stesso oggetto.
4. Abbiamo ora nuovi strumenti matematici per capire come lo spazio e il tempo nascano dalle correlazioni quantistiche, usando le regole della logica causale.

È come se avessimo trovato la chiave per capire che il "tempo" potrebbe essere solo un'illusione ottica generata da una rete di connessioni che, se guardata da un'altra angolazione, non ha un inizio né una fine.

Sommario tecnico

1. Il Problema

Il lavoro affronta una questione fondamentale nella fisica teorica: la direzione del tempo e la struttura causale dello spaziotempo possono essere inferite da principi operativi o devono essere assunte a priori?

Esistono due framework principali che offrono prospettive complementari ma apparentemente inconciliabili:

• Modelli Causali (Classici e Quantistici): Utilizzano grafi diretti per codificare relazioni causa-effetto. La direzionalità (input/output) è intrinseca alla struttura del modello. Sebbene potenti per il ragionamento causale, presuppongono un'orientazione temporale fin dall'inizio, il che può essere problematico quando si studiano leggi fondamentali simmetriche rispetto all'inversione temporale o strutture causali indefinite.
• Reti Tensoriali: Sono rappresentazioni di stati quantistici multipartiti su grafi non diretti. Non presuppongono alcuna direzione temporale o distinzione tra input e output; trattano simmetricamente tutti i "piedi" (leg) dei tensori. Sono ideali per esplorare l'emergenza dello spaziotempo, ma manca loro un'interpretazione causale operativa chiara.

In particolare, la definizione di "influenza causale" nelle reti tensoriali proposta in [CHQY19] basata su funzioni di correlazione è stata criticata per la sua ambiguità operativa: non è chiaro se catturi una vera causalità o solo correlazioni statistiche, e la sua relazione con i framework di causalità esistenti non è stata stabilita.

2. Metodologia

Gli autori costruiscono mappature bidirezionali esplicite tra i modelli causali quantistici (inclusi quelli ciclici) e le reti tensoriali. L'obiettivo è tradurre le relazioni di segnalazione (signalling) nei modelli causali in influenze causali nelle reti tensoriali e viceversa.

La metodologia si articola in tre fasi principali:

1. Dai Modelli Causali alle Reti Tensoriali:

   • Si prende un modello causale su un grafo diretto $\vec{G}$ (con vertici osservati e non osservati).
   • Si rimuove l'orientazione degli archi per ottenere un grafo non diretto $\bar{G}$.
   • Si applica l'isomorfismo di Choi-Jamiołkowski per trasformare le mappe quantistiche (CPTP o strumenti) associate ai vertici in operatori di densità (tensori) associati ai vertici della rete tensoriale.
   • Il risultato è una rete tensoriale unica definita su $\bar{G}$.

2. Dalle Reti Tensoriali ai Modelli Causali:

   • Si parte da una rete tensoriale su un grafo non diretto $\bar{G}$.
   • Si sceglie una direzione per ogni arco (assegnando un bit $0$o$1$ per ogni arco), definendo un grafo diretto $\vec{G}_D$.
   • Caso Restretto: Se gli operatori di densità soddisfano una condizione di traccia parziale specifica (che garantisce che la mappa inversa di Choi-Jamiołkowski sia CPTP), si ottiene direttamente un modello causale valido.
   • Caso Generale: Se la condizione non è soddisfatta (il che è comune), gli autori introducono un mapping generalizzato. Questo mapping aggiunge cicli auto-riferiti (self-loops) e sistemi ancillari ai vertici problematici, permettendo di costruire un modello causale valido (potenzialmente ciclico) per qualsiasi scelta di direzione degli archi.

3. Analisi Operativa:

   • Si definisce una nuova nozione di "influenza causale operativa" nelle reti tensoriali, sostituendo la definizione precedente basata su funzioni di correlazione con una basata su probabilità condizionali derivanti da interventi liberi (strumenti quantistici).
   • Si dimostra che questa nuova definizione è equivalente alla segnalazione (signalling) nel modello causale immagine.

3. Contributi Chiave

• Mappature Isomorfe (parziali): Si dimostra che un modello causale determina univocamente una rete tensoriale. Viceversa, una singola rete tensoriale può generare una famiglia di modelli causali distinti (su grafi diretti diversi) scegliendo diverse orientazioni degli archi.
• Influenza Causale Operativa: Viene proposta una definizione modificata di influenza causale (Definizione 17) che ha un significato operativo chiaro in termini di probabilità condizionali, risolvendo le ambiguità della definizione precedente [CHQY19] e collegandola direttamente alla segnalazione nei modelli causali.
• Rotazioni Discrete dello Spaziotempo: Un risultato sorprendente è che diversi modelli causali derivanti dalla stessa rete tensoriale (ottenuti ruotando le direzioni degli archi) condividono le stesse relazioni di segnalazione. Gli autori chiamano questi modelli "rotazioni" l'uno dell'altro, analogamente al concetto di "dual unitaries".
• Applicazione alle Reti Olografiche: Il framework viene applicato alle reti tensoriali olografiche (basate su tensori perfetti). Utilizzando teoremi di separazione dei grafi (d-separation per grafi aciclici, p-separation per grafi ciclici) sui modelli causali immagine, è possibile inferire l'assenza di influenza causale in certe regioni della rete tensoriale senza calcoli espliciti complessi.

4. Risultati Principali

1. Equivalenza tra Segnalazione e Influenza Causale: Il Teorema 8 stabilisce che l'influenza causale operativa in una rete tensoriale è nulla se e solo se non c'è segnalazione (signalling) nel modello causale corrispondente rispetto a interventi reversibili nel tempo (unitari e operatori hermitiani).
2. Classi di Equivalenza: Esistono classi di modelli causali "rotati" che, pur avendo grafi causali topologicamente diversi (e quindi diverse strutture di input/output), sono operativamente indistinguibili per quanto riguarda le relazioni di segnalazione. Questo suggerisce una forma di equivalenza causale.
3. Strumenti di Inferenza Causale per Reti Tensoriali: Dimostrando che le proprietà di separazione dei grafi (come d-separation e p-separation) si applicano ai modelli causali immagine, gli autori forniscono un metodo potente per analizzare le reti tensoriali. Ad esempio, nel caso delle reti olografiche, la separazione dei vertici nel grafo causale implica direttamente l'assenza di influenza causale nella rete tensoriale.
4. Gestione della Ciclicità: Il mapping generalizzato permette di trattare reti tensoriali che non rispettano le proprietà di isometria (tensori perfetti) introducendo cicli e sistemi ancillari, estendendo così l'applicabilità del framework a scenari più generali di ordine causale indefinito.

5. Significato e Implicazioni

Questo lavoro colma un divario fondamentale tra due campi della fisica teorica:

• Fondamenti della Causalità: Fornisce un'interpretazione operativa rigorosa per le reti tensoriali, permettendo di applicare strumenti matematici consolidati (teoremi di separazione, calcolo delle probabilità condizionate) a sistemi privi di una direzione temporale predefinita.
• Gravità Quantistica e Olografia: Offre un nuovo linguaggio per studiare l'emergenza dello spaziotempo. Se la causalità e la direzione del tempo emergono da correlazioni quantistiche (rete tensoriale), questo framework permette di analizzare come diverse "prospettive" (rotazioni del grafo) possano apparire come diverse strutture spaziotemporali pur mantenendo la stessa fisica operativa sottostante.
• Ordine Causale Indefinito (ICO): Il framework è naturalmente estendibile ai processi con ordine causale indefinito, collegando le reti tensoriali ai processi di ordine superiore e offrendo un terreno comune per studiare la gravità quantistica dove la geometria dello spaziotempo può essere in sovrapposizione quantistica.

In sintesi, il paper dimostra che la causalità non deve essere un assioma imposto, ma può emergere operativamente da strutture di correlazione direzionalmente agnostiche, fornendo al contempo strumenti pratici per analizzare tali strutture attraverso la lente dei modelli causali.