⚛️ quantum physics

The Distribution Postulate in Algorithmic Bohmian Mechanics

本文提出将波姆力学中的分布公理表述为一种利用算法随机性构成的客观约束律，从而保证标准玻恩统计在正则量子实验中的适用性，并阐明确定性框架内量子概率的本质。

原作者： Jeffrey A. Barrett, Eddy Keming Chen, Josiah Lopez-Wild

发布于 2026-06-16

📖 1 分钟阅读🧠 深度阅读

原作者： Jeffrey A. Barrett, Eddy Keming Chen, Josiah Lopez-Wild

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，宇宙是一场宏大且编排完美的舞蹈。在一种被称为**波姆力学（Bohmian Mechanics）**的理论中，每一个粒子都有一个特定的位置和一条它遵循的特定路径，就像剧中的舞者一样。这场舞蹈本身并不存在随机性；如果你知道每个舞者从哪里开始，以及“波函数”（即音乐）是如何运动的，你就能预见他们将要跳出的每一个舞步。

但问题在于：我们不知道舞者们是从哪里开始的。为了让这一理论与我们观察到的现实世界相匹配（例如硬币正反面出现的频率），物理学家必须在时间之初假设一条特殊的规则。这条规则被称为分布假设（Distribution Postulate）。

传统上，这条规则有些模糊。它就像是在说：“上帝掷了一个神奇的骰子，决定了舞者们的起始位置，而这个骰子是经过加权的，使得结果符合著名的量子物理‘波恩定则’（Born Rule）。”但“上帝掷骰子”究竟意味着什么？它是一种真实的物理定律，还仅仅是一个猜测？

本文提出了一种更精确的新方法，利用**算法随机性（Algorithmic Randomness）**这一数学分支来理解这条初始规则。以下是其核心思想的拆解：

1. 关于“随机性”的问题

在日常生活中，我们认为一个随机序列（比如一串硬币投掷结果）是指你找不到其中的规律。如果你看到连续一百万次“正面、正面、正面、正面……”那并不是随机的。如果你看到的是一种看起来混乱且不可预测的混合状态，那才是随机的。

但在数学中，“随机”是一个复杂概念。一个序列可能看起来很随机，但仍然隐藏着某种超级计算机最终能发现的模式。作者想要的是一种客观的且不可破解的随机性定义。他们使用了**马丁-洛夫随机性（Martin-Löf randomness）**的概念。

可以将马丁-洛夫随机性想象成一种“混沌的金标准”。如果一个序列能够通过所有可能的、由计算机运行的模式测试，那么它就是马丁-洛夫随机的。它不仅仅是“看起来很乱”；它是数学上无法被压缩或预测的。它是“无模式”的终极定义。

2. 新规则：算法分布假设

作者建议用一条严格的数学定律来取代“上帝掷骰子”这种模糊的概念：

宇宙的初始状态是马丁-洛夫随机的。

与其说“粒子的放置概率是50/50”，不如说：“每个粒子的起始位置对于任何计算机算法而言，都表现出完全的随机性，且相对于量子波函数而言。”

类比：
想象一张巨大的、充满雾气的城市地图（即“构型空间”）。雾气在某些区域最厚，在某些区域最薄（这代表量子波函数 $|\psi|^2$ ）。

旧观点： 我们说：“在雾中选一个点，但确保你选点的依据是雾气的厚度。”
新观点 (aBM)： 我们说：“选一个相对于雾气而言具有算法随机性的点。”这意味着你选中的点不会遵循任何隐藏的、可计算的模式。这是一个计算机永远无法提前猜到或描述出来的点，尽管它符合雾气的总体形状。

3. 为什么这很重要：确定性 vs 概率

在标准量子力学中，我们通常会说：“有50%的概率你会看到‘正面’的结果。”这是一种猜测。

在这种新的框架下（算法波姆力学或 aBM），结论要强有力得多。因为起始点被保证是马丁-洛夫随机的，作者证明了：

如果你进行一系列长期的实验（例如测量电子的自旋），结果**不仅仅是“很可能”**符合50/50的规则。
它们一定会在长期内符合50/50的规则。

这之间的区别在于：你是在说“我赌你会有半数时间得到正面”，还是在说“数学保证了如果你投掷硬币足够多次，正反面的模式将会是完美且客观随机的”。

4. “可计算性”的限制

论文增加了一个重要的条件：这种保证适用于可计算的测量。

类比： 想象一台测量舞者的机器。如果这台机器的指令是计算机可以写出来的（即“可计算的”测量），那么结果将会是完美随机且遵循标准规则的。
作者表明，对于我们实际能够构建的所有标准量子实验（它们都是可计算的），这条新规则都能完美运作。

5. 关于“上帝”与“机会”

论文认为，我们不需要想象一位神灵在掷骰子。相反，我们看到的“机会”实际上是复杂度的体现。

宇宙起始于一个如此复杂且毫无模式（马丁-洛夫随机）的状态，以至于它看起来像是受偶然性支配。
这将“分布假设”从一个模糊的建议转变为一个硬性的、客观的自然法则：“宇宙始于一个能通过所有随机性测试的状态。”

总结

作者将量子物理中一个模糊的规则（“粒子从一个随机的位置开始”）细化为一个精确的数学定义（“粒子始于一个算法随机的位置”）。

通过这样做，他们证明了，如果宇宙是以这种方式开始的，那么我们的实验结果必然会遵循标准的量子力学规则。它用“典型性”（即保证所发生的情况是随机起始状态下在数学上最常态的结果）取代了“概率”（对可能发生之事的猜测）。

简而言之： 宇宙并不是在掷骰子；它起步于一个如此完美的混沌状态，以至于其结果必须看起来像一场公平的游戏。

技术摘要：算法波姆力学中的分布假设

问题陈述
波姆力学（BM）是一种确定性理论，它能够重现标准量子力学关于粒子位置的经验预测。然而，为了生成前瞻性的概率（即波恩定则），波姆力学需要一个特殊的统计边界条件，即分布假设：在初始时刻 $t_0$ ，粒子构型的概率密度必须满足 $\rho(Q, t_0) = |\psi(Q, t_0)|^2$ 。

Barrett、Chen 和 Lopez-Wild 旨在解决的核心问题是该假设的本体论和认识论地位。在标准波姆力学中，该分布通常被视为反映无知的认识论概率，或者被视为一种客观物理定律，规定了一种“真正的概率过程”（例如，用于设定初始条件的上帝随机器）。作者认为，这种“客观机会”的本质仍不明确。具体而言，如何将该假设表述为一个精确、客观的约束定律，使其在不依赖模糊的“典型性”概念或无法解释的随机过程的情况下，保证波恩统计，目前仍存在歧义。

方法论
作者提出了算法波姆力学（aBM），这是一种利用算法随机性理论，特别是马丁-洛夫（Martin-Löf, ML）随机性来定义分布假设的波姆力学重构。

算法随机性框架： 论文采用了 ML 随机性的定义，即如果一个序列（或点）相对于给定测度通过了所有有效统计检验（马丁-洛夫检验），则该序列被认为是随机的。如果一个序列不包含在任何可描述的零测集（由可计算开集序列定义的零测集）中，则该序列是 ML 随机的。
可计算概率空间： 作者将 ML 随机性从二进制序列扩展到量子系统的构型空间。他们利用可计算波兰空间（computable Polish spaces）和可计算概率测度的框架。波恩测度 $\mu_\psi$ （由波函数 $|\psi|^2$ 诱导）被视为构型空间 $X$ 上的一个可计算测度。
层级可计算性（Layerwise Computability）： 为了处理测量动力学，作者引入了层级可计算函数。如果一个函数在每个“层”（由“随机性缺陷”定义）的 ML 随机点上都是可计算的，则称该函数是层级可计算的。这使得作者能够将测量序列表示为保持随机性属性的可计算映射。
算法分布假设： 作者并没有设定一个随机过程，而是将初始条件定义为一个客观约束：实际的初始构型 $x_0$ 必须是相对于波恩测度 $\mu_\psi$ 的 ML 随机点集中的一个元素（记作 $MLR_{\mu_\psi}$ ）。

核心贡献与结果

分布假设的表述： 论文提供了一个精确、客观的分布假设定义：实际的初始构型 $x_0$ 相对于波恩测度 $\mu_\psi$ 是马丁-洛夫随机的。 这用一个严谨的数学条件取代了模糊的“典型性”概念： $x_0$ 位于每一个可描述的 $\mu_\psi$ -零测集之外。
随机性的保持： 作者证明，如果初始构型相对于 $\mu_\psi$ $μ_{ψ}$ 是 ML 随机的，那么由层级可计算测量序列生成的测量结果序列，相对于其推导测度也是 ML 随机的。
- 定理 2： 若 $x$ 是 $\mu_\psi$ -ML 随机的，且 $\{f_n\}$ 是一个一致可计算的测量序列，则结果序列 $(f_1(x), f_2(x), \dots)$ 相对于诱导联合测度 $\mu_\omega$ 是 ML 随机的。
对波恩统计的保证： 与通常仅以概率 1 预测波恩统计（允许非典型轨迹存在于零测集中）的标准波姆力学不同，aBM 保证了所有层级可计算实验均符合标准的波恩统计。
- 推论 1 & 2： 对于准备方式相同的系统或对同一系统进行的重复测量（例如，交替进行 x- 和 y-自旋测量），结果的极限相对频率确定地等于波恩概率（例如，自旋向上/向下的概率为 1/2），而不仅仅是以高概率实现。这些结果序列是 ML 随机的，根据定义满足大数定律。
解决单系统问题： 作者解决了早期“玩具模型”构建中的一个缺陷，即由单个随机序列决定的初始条件可能会在针对同一系统的不同观测量时无法产生正确的统计结果。通过将测量限制为层级可计算函数，aBM 确保了初始构型的随机性在不同类型的测量（例如，交替自旋方向）中得以保持，从而对任何可计算子序列都能产生正确的统计结果。

意义与主张
论文声称，aBM 通过将概率建立在客观算法约束之上，而非认识论上的无知或无法解释的随机律之上，从而为理解确定性理论中的量子概率提供了更清晰的理解。

客观机会： 分布假设被重新解释为一种客观自然法则，该法则规定初始构型相对于量子测度不表现出任何可描述的规律性。
更强的预测力： 作者指出，aBM 做的是统计预测（ML 随机性的保证），而不仅仅是概率预测。虽然标准波姆力学以概率 1 预测波恩统计，但 aBM 为实际世界（假设初始构型是 ML 随机的）提供了保证。
认识论联系： 论文认为，如果一个智能体的信念是可交换的（测量的顺序无关紧要）并且接受 aBM，那么德·菲内蒂（de Finetti）表示定理会迫使该智能体对单次测量结果分配标准的波恩信度。因此，aBM 为具有可交换信念的智能体恢复了标准的量子概率预测。

作者总结道，这种方法提供了一个具体的例子，展示了算法随机性如何有助于明确物理定律的内容，即用数学上精确的客观约束取代了对典型性的非正式诉求。作者承认，在分析子系统的条件测度相对保持 ML 随机性方面仍需进一步研究，但断言对于所考虑的实验，该框架成功地保证了标准的量子统计预测。