⚛️ quantum physics

Ideal stochastic process modeling with post-quantum quasiprobabilistic theories

Dit artikel toont aan dat door het gebruik van n-machines met negatieve kwasi-kansen, de fundamentele ondergrens voor de geheugenbehoefte bij het modelleren van stochastische processen kan worden bereikt, wat een niet-klassiek geheugenvoordeel mogelijk maakt.

Oorspronkelijke auteurs: Kelvin Onggadinata, Andrew Tanggara, Mile Gu, Dagomir Kaszlikowski

Gepubliceerd 2026-02-27

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kelvin Onggadinata, Andrew Tanggara, Mile Gu, Dagomir Kaszlikowski

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Droom van de Perfecte Voorspeller: Hoe "Negatieve Kansen" de Toekomst Efficiënter Maken

Stel je voor dat je een enorme berg data hebt: de beurskoersen van de afgelopen 100 jaar, het weer van gisteren, of de woorden die iemand zegt in een gesprek. Je wilt een machine bouwen die deze patronen leert en de toekomst perfect kan voorspellen. Maar hier zit een probleem: om de toekomst goed te voorspellen, moet je een herinnering hebben aan het verleden. Hoeveel ruimte heb je nodig in je geheugen om dit te doen?

Dit is precies waar deze wetenschappelijke paper over gaat. Het is een zoektocht naar de ultieme, perfecte voorspeller die zo weinig mogelijk geheugen gebruikt.

Hier is het verhaal, vertaald in alledaags taal met wat creatieve vergelijkingen.

1. Het Probleem: De "Onvolmaakte" Voorspeller

In de wereld van wiskunde en computers hebben we al lang modellen die patronen leren.

De Klassieke Machine (De Eenvoudige Notitieblok): Stel je een mens voor die een notitieblok bijhoudt. Om de toekomst te voorspellen, schrijft hij alles op wat er is gebeurd. Maar dit is inefficiënt. Hij schrijft vaak dingen op die niet nodig zijn. Het is alsof je een heel boek afschrijft om te weten wat er op de volgende pagina staat, terwijl je alleen de samenvatting nodig had.
De Quantum Machine (De Magische Kristallen Bal): Wetenschappers ontdekten later dat je met quantummechanica (de regels van de subatomaire wereld) dit geheugen kon verkleinen. Het is alsof je in plaats van een dik notitieblok, een magische kristallen bal gebruikt die informatie in een "superpositie" bewaart. Dit werkt beter, maar... het is nog steeds niet perfect. De bal is nog steeds iets te groot. Er is nog steeds "verspilde" ruimte.

De vraag was: Bestaat er een machine die precies zo groot is als de absolute minimum hoeveelheid informatie die nodig is? In de theorie heet dit de "excess entropy" (de extra informatie die het verleden en de toekomst met elkaar delen). Helaas bleek dat zowel klassieke als quantummachines altijd meer ruimte nodig hebben dan dit theoretische minimum.

2. De Oplossing: De "N-Machine" en Negatieve Kansen

De auteurs van dit paper (Kelvin, Andrew, Mile en Dagomir) zeggen: "Laten we de regels een beetje breken."

In onze normale wereld zijn kansen altijd positief. Een muntworp is 50% kop of 50% munt. Je kunt niet 20% "niet-kop" hebben. Maar in de quantumwereld en in nog vreemdere theorieën (post-quantum), kunnen we werken met kwaliteitkansen (quasiprobabilities). Dit betekent dat we in onze berekeningen negatieve kansen mogen gebruiken.

De Creatieve Analogie: De Magische Rekenmachine
Stel je voor dat je een schuld hebt van €100.

Een positieve kans is als geld dat je op je rekening hebt.
Een negatieve kans is als een schuld.

In een gewone machine moet je altijd "geld" (positieve informatie) opslaan om iets te doen. Maar in de nieuwe N-Machine (Negative Machine) mogen we "schuld" (negatieve informatie) gebruiken om de "rekening" te vereenvoudigen.

Het is alsof je een rommelige kamer opruimt.

De klassieke machine gooit alles in dozen (veel ruimte nodig).
De quantummachine gebruikt speciale dozen die in elkaar schuiven (minder ruimte).
De N-Machine gebruikt een trucje: ze nemen twee dozen, laten ze elkaar "annuleren" door een negatieve doos toe te voegen, en plotseling verdwijnt de rommel. Je hebt nu een kamer die precies zo groot is als de inhoud die je nodig hebt, geen millimeter meer.

3. Hoe Werkt Het? (Het Recept)

De paper beschrijft een recept om deze perfecte machine te bouwen:

Kies een bestaand model: Begin met een gewone machine die het patroon kent.
Split de staten: Neem de interne staten (de "dozen") en maak er meer van. Het lijkt alsof je de kamer vult met meer meubels.
Voeg negatieve kansen toe: Pas de regels aan zodat sommige overgangen "negatief" zijn.
Het Resultaat: Door deze negatieve kansen te gebruiken, heffen bepaalde informatie-fragmenten elkaar op. Het eindresultaat is een machine die precies evenveel geheugen gebruikt als de theoretische ondergrens.

Het is alsof je een ingewikkeld wiskundig probleem oplost door een term toe te voegen die negatief is, waardoor de rest van de vergelijking veel simpeler wordt.

4. Waarom Is Dit Belangrijk?

Dit is niet alleen een wiskundig raadsel. Het heeft grote gevolgen:

Efficiëntie: Het bewijst dat als we de regels van de fysica iets losser maken (door negatieve kansen toe te staan), we processen kunnen simuleren die onmogelijk efficiënt zijn in onze huidige wereld.
De Rol van Negativiteit: Het paper laat zien dat "negativiteit" een krachtige bron is. Net zoals quantumverstrengeling een bron is voor snellere computers, is "negativiteit" hier de bron voor kleinere geheugens.
Toekomstige Computers: Hoewel we nog geen computers bouwen die echt met negatieve kansen werken, helpt dit ons begrijpen waarom quantumcomputers al beter zijn dan klassieke computers. Het suggereert dat er nog een stap verder is: een "post-quantum" wereld waar we nog efficiënter kunnen zijn.

Samenvatting in één zin

De auteurs hebben bewezen dat als we toestaan dat onze rekenregels "negatieve kansen" bevatten, we perfecte voorspellers kunnen bouwen die precies zo klein zijn als de natuurwetten toelaten, waardoor we een enorme winst in geheugenefficiëntie bereiken die met normale of zelfs quantum-methoden onmogelijk is.

Het is alsof ze de sleutel hebben gevonden om de "ruimteverspilling" in het universum volledig te elimineren, mits we durven te rekenen met getallen die in onze dagelijkse wereld als "niet-bestaand" worden gezien.

Titel: Ideale stochastische procesmodellering met post-kwantum quasikans-theorieën

Auteurs: Kelvin Onggadinata, Andrew Tanggara, Mile Gu, en Dagomir Kaszlikowski.

1. Het Probleem

In de modellering van stochastische processen (tijdreeksen) is de excess entropy ( $E$ ), gedefinieerd als de wederzijdse informatie tussen het verleden en de toekomst van een proces, de fundamentele ondergrens voor de hoeveelheid geheugen die nodig is om de dynamiek van dat proces te simuleren.

Klassieke beperking: De meest efficiënte klassieke modellen, bekend als $\epsilon$ -machines, vereisen echter doorgaans meer geheugen dan $E$ . De statistische complexiteit ( $C_\mu$ ) is strikt groter dan $E$ voor de meeste processen. Dit betekent dat klassieke machines meer informatie in het heden moeten opslaan dan er feitelijk gedeeld wordt tussen verleden en toekomst.
Kwantum beperking: Kwantum-modellen, of q-machines, kunnen de geheugenkosten verlagen ten opzichte van klassieke modellen ( $C_q < C_\mu$ ) door gebruik te maken van niet-orthogonale kwantumtoestanden. Echter, zelfs deze kwantumbenaderingen zijn niet "ideaal"; ze bereiken zelden de ondergrens $E$ ( $C_q > E$ ) en dissiperen vaak warmte, wat wijst op fundamentele irreversibiliteit.
De vraag: Is het mogelijk om een ideaal model te construeren waarbij de geheugenkosten exact gelijk zijn aan de excess entropy ( $C = E$ ), en welke aannames moeten worden losgelaten om dit te bereiken?

2. Methodologie

De auteurs introduceren een generalisatie van Hidden Markov Models (HMM) die verder gaat dan klassieke en kwantumbeschrijvingen, binnen het kader van Generalized Probabilistic Theories (GPT).

Negatieve Kansen (Quasikansen): Het centrale idee is het toestaan van negatieve kansen (quasikansen) in de toestandsverdelingen en overgangsmatrices. Dit leidt tot een nieuw type model: de n-machine (negative-machine).
Informatiemaatstaven: Om negatieve kansen te kunnen hanteren, kunnen de standaard Shannon-entropieën niet worden gebruikt. De auteurs kiezen voor Rényi-entropie van orde $\alpha = 2$ (ook wel collision entropy genoemd).
- 2-Statistische complexiteit ( $C^{(2)}$ ): Maatstaf voor het geheugen van het model.
- 1/2-Excess entropy ( $E^{1/2}$ ): De ondergrens gebaseerd op Rényi-mutuele informatie.
- Deze maatstaven zijn wiskundig goed gedefinieerd voor quasikansverdelingen en behouden operationele betekenis (bijv. in coderingstaken en privacy-versterking).
Construktieprotocol (n-machine):
1. Uitbreiding van toestanden: De causale toestanden van een klassiek $\epsilon$ -machine worden opgesplitst in meerdere sub-toestanden.
2. Introductie van vrijheidsgraden: Er worden nieuwe parameters geïntroduceerd in de overgangskansen. Deze kansen mogen nu negatieve waarden aannemen, zolang de som van de kansen voor een gegeven output en starttoestand overeenkomt met de oorspronkelijke klassieke kansen.
3. Minimalisatie: Het protocol minimaliseert de 2-statistische complexiteit ( $C^{(2)}_n$ ) onder de beperking dat deze niet lager mag zijn dan de excess entropy ( $E^{1/2}$ ).

3. Belangrijkste Bijdragen

Constructie van Ideale Modellen: De auteurs bewijzen dat het mogelijk is om een generatief model te construeren waarbij de geheugenkosten exact gelijk zijn aan de excess entropy ( $C^{(2)}_n = E^{1/2}$ ). Dit wordt bereikt door het gebruik van quasikansen.
Negativiteit als Resource: Ze tonen aan dat negativiteit in de quasikansverdeling een noodzakelijke resource is om dit niet-klassieke geheugenvoordeel te bereiken. Er is een directe correlatie tussen de mate van negativiteit en de mate van geheugencompressie.
Generalisatie van HMM: De paper plaatst klassieke en kwantumbeschrijvingen als subtheorieën binnen een bredere GPT-structuur, waarbij de n-machine een instance is van een "quasi-realization".
Operationele Interpretatie: De auteurs geven een operationele betekenis aan de Rényi-2 entropie in de context van quasikansen, gekoppeld aan klassieke simulaties van kwantumberekeningen en de "mana" (een maatstaf voor niet-klassiekheid).

4. Resultaten

De theorie werd getest op twee paradigmatische stochastische processen:

Perturbed Coin Process (Gestoorde Munt):
- Voor dit proces bleek dat de klassieke $\epsilon$ -machine en de kwantumbenadering (q-machine) beide meer geheugen nodig hebben dan $E^{1/2}$ .
- De geconstrueerde n-machine slaagde erin om de geheugenkosten te minimaliseren tot exact $E^{1/2}$ .
- Er werd aangetoond dat hoe groter de negativiteit in de stationaire verdeling van de n-machine, hoe groter het geheugenvoordeel ten opzichte van het klassieke model.
Simple Nonunifilar Source (SNS) Process:
- Een complexer proces met een oneindig aantal causale toestanden in het klassieke geval.
- Ook hier slaagde de n-machine erin om de ondergrens te bereiken, terwijl klassieke en kwantumbenaderingen daarboven bleven.
- De relatie tussen negativiteit en geheugenwinst bleek consistent met het eerdere voorbeeld.
Vergelijking met Kwantum: De auteurs stellen dat de stappen om een n-machine te construeren (toestandsopsplitsing en injectie van negativiteit) ook terug te vinden zijn in de quasikans-representatie van q-machines (via de discrete Wigner-functie), wat suggereert dat negativiteit de onderliggende bron is van het kwantumeffect.

5. Betekenis en Conclusie

Fundamentele Grenzen: Het werk toont aan dat de beperkingen van klassieke en zelfs kwantumberekeningen (in termen van geheugenefficiëntie) kunnen worden overwonnen door het toestaan van post-kwantum quasikansen.
Niet-Klassiek Voordeel: Negativiteit wordt bevestigd als een cruciale resource voor niet-klassiek geheugenvoordeel, vergelijkbaar met zijn rol in contextualiteit en niet-localiteit.
Toekomstperspectief: Hoewel de n-machine een wiskundig ideaal model is, blijft de vraag open hoe dit zich verhoudt tot fysieke realiteit en thermodynamica. De auteurs suggereren dat ideale modellen mogelijk minder warmte dissiperen dan kwantumbenaderingen, wat nieuwe inzichten kan geven in de thermodynamica van informatie.
Verder Onderzoek: De paper nodigt uit tot verdere studie naar de relatie tussen negativiteit, crypticiteit en oraculaire informatie, en hoe deze modellen kunnen worden toegepast op open kwantumsystemen en niet-Markovse fenomenen.

Kortom, dit artikel biedt een wiskundig onderbouwd raamwerk waarin stochastische processen kunnen worden gemodelleerd met de absolute minimale hoeveelheid geheugen, mits men de beperking van positieve kansen loslaat en overgaat naar quasikansen.