Deterministic Mapping of Topological Phases via Autoregressive Exogenous Neural Networks

Resumo Técnico: Mapeamento Determinístico de Fases Topológicas via Redes Neurais Autoregressivas com Entradas Exógenas

Enunciado do Problema
O artigo aborda a caracterização de fases geométricas induzidas por medições fracas em sistemas quânticos, focando especificamente nas transições críticas governadas pelo número de enrolamento ($W$) do ângulo polar $\phi$. Embora trabalhos anteriores tenham estabelecido que medições fracas podem induzir fases geométricas com saltos topológicos discretos, a relação entre o número de enrolamento e o parâmetro crítico de intensidade de medição ($c_{crit}$) era anteriormente considerada imprevisível. A questão central investigada é se os saltos "estocásticos" observados em $c_{crit}$ através de diferentes setores topológicos são verdadeiramente independentes ou se são governados por uma lei oculta e determinística compartilhada através da história do sistema.

Metodologia
Os autores empregam uma análise comparativa de três arquiteturas de redes neurais (RN) dinâmicas para avaliar sua capacidade de estimar $c_{crit}$ para um setor topológico alvo ($W=5$) com base em dados de setores de ordem inferior ($W=1, 2, 3, 4$). O sistema é modelado usando uma sequência de medições fracas em um qubit inicializado em um estado equatorial, onde a fase geométrica $X$ atua como um parâmetro de ordem e a intensidade de medição $c$ como a coordenada de acionamento.

As três arquiteturas testadas são:

1. NARX (Autoregressiva Não Linear com Entradas Exógenas): Utiliza tanto a própria história do alvo ($y(t-1) \dots y(t-d)$) quanto a história exógena dos números de enrolamento inferiores ($x(t-1) \dots x(t-d)$) para prever o estado atual.
2. NAR (Autoregressiva Não Linear): Utiliza apenas a própria história do alvo para prever o estado atual, servindo como controle para a previsibilidade intrínseca.
3. NIO (Entrada-Saída Não Linear): Utiliza apenas as entradas exógenas para prever o alvo, carecendo de feedback autoregressivo (memória).

O estudo varia sistematicamente a profundidade de atraso ($d$) e a capacidade neuronal para analisar a convergência do Erro Quadrático Médio (MSE), a autocorrelação dos resíduos e a capacidade da rede de resolver saltos de fase não analíticos.

Principais Resultados

• Desempenho do NARX: A arquitetura NARX alcança um Erro Quadrático Médio (MSE) de aproximadamente $10^{-27}$ em um atraso ótimo de $d=1$. Este valor atinge o limite da precisão numérica (muito abaixo do epsilon de máquina de precisão dupla padrão), indicando uma identidade funcional perfeita entre as entradas e o alvo.
• O Paradoxo da Complexidade: Quando o atraso para o modelo NARX é aumentado para $d=4$, o desempenho colapsa drasticamente (MSE $\approx 0,99$). Esta sensibilidade extrema sugere que o modelo captura um mapeamento dinâmico de fase travada de alta precisão, e não um padrão trivial ou simples memorização.
• Desempenho do NAR: O modelo NAR demonstra robustez na captura de tendências locais, alcançando um MSE mínimo de $\approx 10^{-3}$ em $d=3$. No entanto, ele retém um piso de erro residual, indicando que a história autorreferencial sozinha é insuficiente para uma previsão exata.
• Desempenho do NIO: A arquitetura NIO falha em resolver com precisão a transição de fase, mesmo com capacidade neuronal aumentada (20 neurônios) e janelas de atraso maiores (até $d=32$). Seu melhor desempenho permanece em um MSE de $\approx 0,04$, confirmando que o mapeamento cego de entrada-saída sem feedback autoregressivo não consegue capturar a evolução sequencial da fase topológica.
• Análise de Resíduos: O modelo NARX em $d=1$ produz resíduos indistinguíveis de ruído branco gaussiano (autocorrelação de delta de Kronecker), confirmando que todas as dependências sistemáticas foram resolvidas. Em contraste, os modelos NAR e NIO exibem correlações de resíduos estruturadas.

Principais Contribuições

1. Prova Numérica de Existência: O estudo fornece uma prova numérica de existência de uma identidade funcional determinística entre o número de enrolamento $W$ e o parâmetro crítico $c_{crit}$. O erro próximo de zero do modelo NARX sugere que a informação que governa uma transição de fase em um setor específico é codificada de forma não local dentro do contexto global de seus predecessores.
2. Hierarquia Arquitetural: O artigo estabelece uma hierarquia rigorosa de desempenho, demonstrando que tanto o feedback autoregressivo (memória) quanto o contexto exógeno imediato são essenciais para a caracterização exata de fases topológicas.
3. Identificação de "Ruído" Determinístico: Os resultados implicam que a aparente imprevisibilidade ou "ruído" em uma única sequência topológica ($W=5$) é na verdade um sinal determinístico que pode ser totalmente resolvido incorporando o contexto de outros números de enrolamento ($W=1, 2, 3, 4$).

Significado e Alegações
O artigo alega que a arquitetura NARX atua como um framework robusto para derivar leis governantes em sistemas quânticos complexos onde soluções analíticas permanecem elusivas. Ao alcançar uma precisão que efetivamente faz o gradiente da função de desempenho desaparecer, o modelo sugere que a relação entre setores topológicos é matematicamente determinística e fechada.

Os autores enfatizam que isso não é meramente um exercício de ajuste de dados; o "paradoxo da complexidade" (o colapso da precisão em $d=4$) confirma que a rede está realizando um mapeamento dinâmico de alta precisão sensível ao alinhamento temporal exato da transição de fase. As descobertas sugerem que redes neurais podem servir como "sondas numéricas" para desvendar soluções analíticas exatas ocultas dentro de dados complexos de medição quântica, fornecendo um novo framework para caracterizar a memória e a dependência de contexto da matéria quântica topológica. O estudo não alega ter encontrado uma nova lei física, mas sim utiliza a convergência da rede neural para o piso numérico como evidência de que tal lei determinística existe e é acessível através desta configuração arquitetural específica.