The Information Content of Krylov Observables: A Machine Learning Approach
Este artigo utiliza aprendizado de máquina para demonstrar que, embora observáveis de Krylov como complexidade de propagação e negatividade de Wigner possam classificar efetivamente classes de simetria e estimar temperaturas de termofield, a negatividade normalizada captura unicamente o excedente informacional do caos ao resolver degenerescências espectrais e distinguir a dinâmica de segundo momento de características de detalhamento fino do fator de forma espectral.