Technische Samenvatting: De Informatie-inhoud van Krylov-observabelen: Een Machine Learning-benadering

1. Probleemstelling

Het artikel behandelt een fundamentele vraag in de kwantumchaos en holografie: Hoeveel bruikbare informatie is er bevat in specifieke Krylov-ruimte observabelen, en hoe verhouden zij zich tot elkaar?

Specifiek onderzoeken de auteurs drie observabelen afgeleid van de evolutie van een kwantumtoestand in een Krylov-basis:

1. Verspreidingscomplexiteit ($C(t)$): Het eerste moment van de Krylov-golffunctie, breed gebruikt als diagnose voor kwantumchaos en zwarte gat-interieurs.
2. Discrete Wigner-negativiteit ($N(t)$): Een tweede-moment grootheid die niet-klassieke eigenschappen meet in de discrete faseruimte van de Krylov-keten.
3. Genormaliseerde negativiteit ($\chi(t) = N(t)/|S(t)|$): Een voorgestelde "tweede-moment infall-proef" waarbij $N(t)$ wordt gedeeld door de overlevingsamplitude $S(t)$ om genuante fase-ruimte verspreiding te isoleren van triviale verval van de terugkeerkans.

De kernvragen zijn operationeel van aard:

• Bepaalt $C(t)$ uniek $N(t)$ (en vice versa), of bevat het tweede moment informatie die door het eerste moment is weggefilterd?
• Kunnen deze curves fysieke parameters (bijv. de temperatuur van de thermofield double, symmetrieklasse) herstellen of de fijne structuur van de Spectral Form Factor (SFF) reconstrueren?
• Is het informatievoordeel van de genormaliseerde negativiteit $\chi(t)$ een signatuur van chaotische dynamica, zoals de fysieke intuïtie suggereert?

2. Methodologie

De auteurs gebruiken supervised machine learning (ML) als een operationeel instrument om wederzijdse informatie te kwantificeren. De logica is dat als een regressietaken $X \to Y$ slaagt, de informatie over $Y$ aanwezig is in $X in een leerbare vorm.

Datageneratie

Vijf grote gelabelde datasets werden gegenereerd die $\sim 57.000$ gelabelde evoluties beslaan:

1. Random Matrix Ensembles: GUE (complexe Hermitische matrices), GOE (reële symmetrische matrices) en Poisson (ongecorreleerde niveaus) over dimensies $D \in [101, 1009]$ en temperaturen $\beta \in [0, 5]$.
2. Integrable CFT Sector: De exact oplosbare $SL(2, \mathbb{R})$ discrete-serie sector (2d-CFT primari's) met parameters $(h, \alpha)$.
3. Chaos Interpolatie: Een familie $H(\varepsilon) = H_{SL(2,\mathbb{R})} + \varepsilon R_0 W_{GUE}$ die interpoleert tussen de integreerbare keten en random matrix chaos.

Machine Learning Architectuur

• Modellen: Kleine residual multilayer perceptrons (MLP's) met breedtes van 16–32 neuronen, gemengd met gradient-boosted decision trees.
• Protocol: Rigoureuze validatie om artefacten te vermijden.
  • Splitsingen: Willekeurige splitsingen voor ensemble-data; uitgesloten parameterwaarden (bijv. specifieke $h$-waarden) voor de integreerbare/interpolatie-data om generalisatie naar onbekende theorieën te testen.
  • Metrieken: Duale metriek evaluatie met behulp van variantie-gewogen $R^2$ ($R^2_{vw}$) en de gemiddelde relatieve $L^2$-fout om biases in het dynamisch bereik te detecteren.
  • Robuustheid: Resultaten zijn geverifieerd als stabiel over verschillende trainings-seeds, netwerkbreedtes en datasetgroottes (trainen op slechts 50% van de data levert identieke resultaten op).

3. Belangrijkste Resultaten

A. Random Matrix Ensembles (GUE, GOE, Poisson)

1. Temperatuurherstel: Zowel $C(t)$ als $N(t)$ bepalen uniek de thermofield-temperatuur $\beta$ met bijna perfecte nauwkeurigheid ($R^2 \approx 0.999$).
2. SFF Lossiness: Noch $C(t)$, noch $N(t)$ kan de fijne structuur van de Spectral Form Factor (SFF) reconstrueren. De modellen herstellen alleen de gladde, ensemble-gemiddelde envelop (dip en ramp) met $R^2_{vw} \approx 0.18$. De samplespecifieke fluctuaties (spectrale rigiditeit) zijn onomkeerbaar verloren gegaan. Het gladstrijken van de doelvariabele redt dit niet; het trivialiseert de taak slechts door de dip-ramp structuur te wissen.
3. Informatiebudget: De late-tijd SFF-plateau (duaal aan het volume van het zwarte gat-interieur) is grotendeels gecodeerd in de eerste 20% van de complexiteitscurve ($R^2 \approx 0.86$).
4. Identificatie van Universality Class: Een enkele curve ($C(t)$ of $N(t)$) volstaat om de symmetrieklasse (GUE vs. GOE vs. Poisson) te classificeren met een precisie van tot 98%. $C(t)$ is marginaal beter dan $N(t)$ voor het onderscheiden van GUE van GOE.

B. Integrable CFT Sector ($SL(2, \mathbb{R})$)

1. Exact Slaving: In deze integreerbare sector zijn de observabelen informatieel equivalent vanwege de exacte negatieve binomiale verdeling van de Krylov-bezetting.
2. Degeneratie Resolutie: Hoewel alle observabelen de samengestelde parameter $h\alpha^2$ perfect voorspellen, lost de negativiteit $N(t)$ de individuele parameters $(h, \alpha)$ uniek op met een hogere precisie ($R^2 \approx 0.999$) dan de complexiteit ($R^2 \approx 0.984$).
3. Symmetrie: De asymmetrie in reconstructie tussen $C$ en $N$ verdwijnt (binnen de leerbaarheid-vloer), wat de theoretische verwachting van exacte slaving bevestigt.

C. De Chaos Interpolatie ($SL(2, \mathbb{R}) \to \text{Chaos}$)

Dit is het hoofdresultaat. De auteurs volgen de "asymmetrie-kloof" in wederzijdse reconstructie terwijl chaos wordt geïntroduceerd:
$$\text{gap}_\chi = R^2(\chi \to C) - R^2(C \to \chi)$$

• De $\chi$-Surplus: Naarmate het systeem overgaat van integreerbaar naar chaotisch (gemeten door de level-spacing ratio $\langle r \rangle$), wordt de kloof voor de genormaliseerde negativiteit $\chi$ geactiveerd en groeit deze monotoon van $+0.33$ naar $+0.77$.
• De Ruwe Negativiteit Kloof: De kloof voor de ruwe negativiteit $N$ vervalt naar nul in het chaotische regime.
• Interpretatie: Het informatievoordeel van $\chi$ boven $C$ is een signatuur van chaos. De deling door de overlevingsamplitude $|S(t)|$ in $\chi$ behoudt fijnmazige, niet-zelf-gemiddelde spectrale informatie (de "speckle") die in $C(t)$ wordt weggedrukt.

4. Analytisch Mechanisme

Het artikel leidt een analytische grens af (Stelling 1) die de $\chi$-surplus verklaart:

• In de chaotische fase zijn $C(t)$ en $N(t)$ "zelf-gemiddelde" observabelen (gladde enveloppen plus kleine ruis).
• De overlevingsamplitude $S(t)$ gedraagt zich echter als een complexe Gaussische variabele met grote, niet-zelf-gemiddelde fluctuaties (speckle) gerelateerd aan spectrale rigiditeit.
• De genormaliseerde negativiteit $\chi = N/|S|$ erft deze speckle. Omdat $C$ de speckle niet kan voorspellen (zoals aangetoond door de SFF lossiness resultaat), kan $C$ $\chi$ niet goed voorspellen. Omgekeerd bevat $\chi$ de enveloppe-informatie die gedeeld wordt met $C$, waardoor $\chi \to C$ wel slaagt.
• Deze asymmetrie is strikt nul in de integreerbare limiet (waar $S$ geslaafd is aan de enveloppe) en maximaal in de chaotische limiet.

5. Betekenis en Claims

Het artikel claimt de eerste operationele, kwantitatieve kaart te bieden van de informatie-inhoud van Krylov-observabelen:

1. SFF is Onvervangbaar: De fijne structuur van de SFF (spectrale rigiditeit) is niet herstelbaar uit $C(t)$ of $N(t)$, zelfs niet met smoothing. Deze momenten zijn onvoldoende statistieken voor spectrale rigiditeit.
2. Chaos als Ontkoppelaar: In integreerbare systemen is de Krylov-momententoren "geslaafd" (alle observabelen dragen dezelfde informatie). In chaotische systemen ontkoppelt de toren, en verkrijgt de genormaliseerde negativiteit $\chi(t)$ een uniek informatievoordeel.
3. Methodologische Rigor: De studie toont aan dat ogende asymmetrieën in ML-resultaten artefacten kunnen zijn van het dynamisch bereik of selectiebias. Door strikte protocollen te implementeren (duale metrieken, uitgesloten parameters, seed-averaging), isoleren de auteurs het fysieke signaal (de $\chi$-surplus) van de ruis.
4. Praktisch Nut:
   • Gebruik $C(t)$ voor macroscopische labels (temperatuur, universaliteitsklasse).
   • Gebruik $N(t)$ voor het oplossen van microscopische degeneraties in integreerbare sectoren.
   • Gebruik $\chi(t)$ specifiek als een proef voor het ontstaan van chaos en het behoud van fijnmazige spectrale informatie.

De auteurs benadrukken dat dit operationele verklaringen zijn bij eindige dimensies met minimale modellen, die dienen als ondergrenzen voor wederzijdse informatie, en dat de interpolatie dient als een random-matrix proxy voor eindige-entropie holografie.