Black hole/quantum machine learning correspondence

Zwarte gaten worden vaak beschreven als de ultieme kosmische vallen, regio's waar de zwaartekracht zo intens is dat niets, zelfs licht niet, kan ontsnappen. Decennialang heeft een diep puzzel even geweest dat natuurkundigen achtervolgt: wat er gebeurt met de informatie over alles wat in een zwart gat valt. Volgens de regels van de kwantummechanica kan informatie nooit echt vernietigd worden; het moet in een bepaalde vorm behouden blijven. Toch, wanneer zwarte gaten langzaam verdampen door een zwakke gloed uit te stralen die bekend staat als Hawkingstraling, leek het alsof die informatie voor altijd zou verdwijnen, wat een tegenstrijdigheid creëerde tussen ons begrip van zwaartekracht en de fundamentele wetten van het zeer kleine. Dit conflict, bekend als de zwart gat-informatieparadox, dwingt wetenschappers om zich af te vragen hoe het universum zijn registers bijhoudt wanneer een zwart gat oplost.

Onlangs zijn onderzoekers begonnen dit eeuwenoude probleem te bekijken door de lens van een modern veld genaamd quantum machine learning. Dit is een tak van de wetenschap die bestudeert hoe kunstmatige intelligentiesystemen informatie verwerken wanneer ze opereren onder de vreemde regels van de kwantumfysica. In deze systemen is er een nieuwsgierig fenomeen waarbij het complexer maken van een model niet altijd de prestaties onmiddellijk verbetert. In plaats daarvan is er een specifiek punt waar het systeem het meest lijkt te worstelen voordat het plotseling heel goed wordt in zijn taak. Dit gedrag, de dubbele daling (double descent) genoemd, treedt op wanneer het aantal variabelen dat het model probeert te leren overeenkomt met het aantal datapunten waar het uit moet leren. Het is een overgangsmoment waar het systeem verschuift van niet in staat zijn om de data te fitten naar het in staat zijn om het perfect te fitten, en vervolgens naar goed kunnen generaliseren.

In een nieuwe studie stellen wetenschappers Zae Young Kim en Jae-Weon Lee een verrassende verbinding voor tussen deze twee schijnbaar ongerelateerde werelden. Ze suggereren dat het moment waarop een zwart gat een kritieke fase in zijn leven bereikt, bekend als de Page-tijd, wiskundig identiek is aan het moment waarop een machine learning-model zijn moeilijkste leer-drempel bereikt. De Page-tijd is het punt in de verdamping van een zwart gat waar de hoeveelheid straling die het heeft uitgezonden ongeveer gelijk is aan de hoeveelheid materie die nog in het zwarte gat aanwezig is. Vóór dit moment is het zwarte gat groter dan de straling die het heeft afgegeven. Na dit moment is de stralingswolk groter dan het krimpend zwarte gat. De onderzoekers ontdekten dat dit evenwichtspunt niet alleen een toevalligheid van grootte is, maar een fundamentele verschuiving in hoe informatie gereconstrueerd kan worden.

Om dit te verkennen, behandelden de onderzoekers de relatie tussen een zwart gat en zijn straling als een gigantische informatiepuzzel. Ze stelden zich het zwarte gat en de straling voor als twee zijden van een enkele, zuivere kwantumtoestand. De uitdaging die ze zichzelf stelden, was om te zien of een actie uitgevoerd op het zwarte gat perfect nagebootst kon worden door een actie die alleen op de straling wordt uitgevoerd. In de taal van hun studie is dit als vragen of je een specifieke beweging van een persoon kunt recreëren door alleen naar hun schaduw te kijken. Als de schaduw gedetailleerd genoeg is, kun je precies uitzoeken hoe de persoon bewoog. Als de schaduw te eenvoudig is, kun je dat niet.

De onderzoekers ontdekten dat vóór de Page-tijd, wanneer het zwarte gat nog groot is, de straling niet gedetailleerd genoeg is om elke actie die binnen het zwarte gat plaatsvindt perfect te recreëren. Er is een fundamentele kloof, een ontbrekend puzzelstuk, omdat de straling nog niet genoeg informatie heeft geaccumuleerd om alle mogelijkheden van het binnenste van het zwarte gat te dekken. Echter, zodra het systeem de Page-tijd passeert en de straling groter wordt dan het zwarte gat, verandert de situatie volledig. De straling bevat nu genoeg informatie om elke actie op het zwarte gat met perfecte nauwkeurigheid te reconstrueren met behulp van algemene lineaire operatoren. Deze transitie markeert het moment waarop de "schaduw" gedetailleerd genoeg wordt om de "persoon" volledig te representeren. De onderzoekers verduidelijken echter dat deze capaciteit voor perfecte reconstructie van toepassing is op lineaire operatoren; het garandeert niet dat elke fysieke zwarte gat-observabele (die Hermitisch moet zijn) een exacte straling-observabele vertegenwoordiger heeft, aangezien dit een aanvullende compatibiliteitsvoorwaarde vereist.

Wat deze bevinding bijzonder opvallend maakt, is wat er gebeurt op het moment van deze transitie. De onderzoekers ontdekten dat hoewel het systeem in staat is tot perfecte reconstructie, het ook ongelooflijk gevoelig wordt voor kleine fouten. Net zoals een machine learning-model het meest worstelt wanneer het probeert het exacte aantal datapunten te leren, wordt het zwarte gat-systeem statistisch instabiel op de Page-tijd. Als er zelfs maar een klein beetje onzekerheid of ruis is in de informatie die wordt gemeten, kan de inspanning om de toestand van het zwarte gat uit de straling te reconstrueren leiden tot extreem grote fouten. Dit komt niet omdat de informatie ontbreekt, maar omdat de wiskundige instrumenten die worden gebruikt om deze te extraheren tot hun uiterste worden gestrekt.

De studie gebruikt een specifieke wiskundige regel, de Marchenko-Pastur-wet genoemd, om te beschrijven hoe het spectrum van informatie zich tijdens deze transitie gedraagt. Deze regel, die veel wordt gebruikt bij het analyseren van grote datasets in de statistiek, voorspelt dat de moeilijkheid van de reconstructie-taak piekt precies wanneer de grootte van het zwarte gat en de grootte van de straling gelijk zijn. De onderzoekers toonden aan dat deze piek in moeilijkheidsgraad een universeel kenmerk is van de geometrie van het probleem, dat verschijnt of men nu naar het zwarte gat kijkt als een fysiek object of naar de straling als een dataset voor een leeralgoritme.

Belangrijk is dat de auteurs verduidelijken dat dit niet betekent dat het zwarte gat zelf uiteenvalt of dat de natuurwetten falen. In plaats daarvan benadrukt het een specifieke eigenschap van hoe informatie wordt verdeeld. Het systeem is perfect in staat om informatie te bewaren, maar de methode om die informatie te extraheren wordt zeer instabiel op het exacte moment dat de twee zijden van het systeem in evenwicht zijn. Het is een moment van extreme gevoeligheid waarbij het pad van de straling terug naar het zwarte gat wiskundig helder maar praktisch fragiel is.

Dit werk suggereert dat het vreemde gedrag dat wordt gezien in moderne kunstmatige intelligentiesystemen niet uniek is voor computers. Het lijkt erop dat dezelfde geometrische principes die bepalen hoe een machine leert van data, ook bepalen hoe het universum informatie bewaart in aanwezigheid van zwaartekracht. Door het zwarte gat-informatieprobleem te bekijken als een type leeropdracht, hebben de onderzoekers een nieuwe manier geboden om de Page-tijd te begrijpen. Het is niet louter een punt waar de entropie piekt, maar een drempel waar de aard van informatie-extractie verandert van over het algemeen onmogelijk naar mogelijk voor lineaire operatoren, maar wel getekend door statistische instabiliteit.

De studie behandelt ook een veelvoorkomend misverstand dat deze instabiliteit impliceert dat het vermogen van het zwarte gat om informatie vast te houden faalt. De onderzoekers maken zorgvuldig onderscheid tussen het vermogen om een oplossing te vinden en de stabiliteit van die oplossing. Ze laten zien dat hoewel er na de Page-tijd een perfecte oplossing bestaat, het vinden ervan vereist dat men navigeert door een landschap waarin kleine fouten worden uitvergroot. Dit is een eigenschap van de wiskundige structuur van het probleem, en niet een gebrek in het fysieke systeem zelf. De informatie is er, maar het extraheren ervan zonder fouten vereist perfecte precisie, wat moeilijk te bereiken is in elk reële scenario dat met metingen te maken heeft.

Uiteindelijk biedt dit onderzoek een brug tussen twee verschillende velden van de fysica. Het demonstreert dat het double descent-fenomeen, een concept dat voortgekomen is uit de studie van algoritmen, een direct tegenhanger heeft in de levenscyclus van een zwart gat. Het moment waarop een zwart gat en zijn straling een gelijke grootte bereiken, is hetzelfde moment waarop het systeem overgaat van niet in staat zijn om de toestand van het zwarte gat te representeren naar wel in staat zijn om dat te doen, terwijl het tegelijkertijd het meest gevoelig wordt voor ruis. Deze correspondentie suggereert dat de diepe geometrie van informatie een universele taal is, gesproken door zowel de sterren als de silicon chips die wij bouwen om ze te bestuderen. De bevindingen lossen de zwart gat-paradox niet op in de zin van het bieden van een definitieve, volledige theorie van de kwantumzwaartekracht, maar ze verlichten wel een specifiek, cruciaal kenmerk van hoe informatie zich gedraagt in deze extreme omgevingen, en onthullen een verborgen eenheid tussen de fysica van het zeer grote en het zeer kleine.