Hidden-State Updates and observable-record composition in retrocausal models

在研究粒子行为的过程中，科学家们经常依赖于隐变量——即决定实验结果的不可见属性。想象一枚硬币内部藏有一个隐藏的重量，在你在抛掷之前就决定了它是正面还是反面。在标准物理学中，这些隐藏属性是固定的，不会根据你稍后决定测量什么而改变。然而，一类被称为逆因果模型（retrocausal models）的不同理论表明，粒子的隐藏状态可以取决于实验者未来的选择。这个想法具有争议性，因为它似乎暗示了未来会影响过去。物理学家面临的关键问题不在于这些模型是否能模拟单次实验的结果，而在于当实验者重复使用相同的设备或基于先前的结果做出系列决策时，它们是否仍能保持一致。如果一个模型在一次测量中有效，但在再次使用同一设备时失效，那么它就不能作为对现实的有效描述。

莫纳什大学的一位研究人员针对这一问题进行了深入调查，探讨了隐变量模型能否在“重复使用”的测试中幸存下来。该研究聚焦于一个特定的场景：实验者记录一个结果，然后利用该记录来决定如何设置下一次测量。研究人员发现，虽然许多此类模型能够成功预测单一、固定的事件序列，但当实验者被允许提前停止实验或根据刚刚观察到的情况改变计划时，这些模型往往会失效。论文证明，为了使一个模型在物理上具有一致性，隐藏状态必须以一种非常特定的方式进行更新，即无论实验者如何选择继续进行，都要保持所有可能结果的总“权重”不变。如果模型未能通过这项测试，它所依赖的隐藏信息就会变得与外界可区分，从而揭示出理论中的矛盾。

为了测试这些想法，研究人员构建了两类数学模型。第一类是简单的有限系统，具有有限数量的隐藏状态，类似于一个只有少量内存槽的基础计算机程序。第二类是涉及旋转粒子（其隐藏状态为一个可以取任何值的角度）的连续模型。在有限系统中，研究人员展示了如果实验者遵循预先计划好的、不变的步骤列表，模型可以通过每一项测试。然而，一旦实验者被允许观察一个步骤的结果，并根据该结果决定停止还是继续，模型就会崩溃。隐藏状态会发生偏移，从而改变最终结果的概率，这实际上允许未来的选择改变过去的记录。这种失败并非微小的故障，而是模型在无法维持一致历史方面的根本性缺陷——即当观察者的行为取决于他们刚刚收集到的数据时，模型便无法维持一致性。

涉及旋转粒子源的连续模型提供了更为显著的结果。研究人员假设了一个“被动”设置，即无论进行何种测量，粒子源都保持不变。即使在这一严格条件下，研究也发现，两个测量同一粒子的探测器可能会产生一种微妙的相关性，这种相关性取决于后续测量的角度。具体而言，两个探测器达成一致的概率会根据未来的测量设置而改变。这种差异很小但具有精确的数学意义：一致概率会根据相互作用强度和源分布的宽度而移动。例如，在特定参数下，一致概率会根据未来的设置从大约 51.9% 变为 51.0%。这意味着，尽管单个探测器本身看起来是公平且无偏的，但它们的共同历史却携带了一个关于尚未做出的选择的隐藏信号。

研究人员通过严密的计算机模拟和精确的数学计算验证了这些发现。在有限状态实验中，团队测试了数千个不同的决策树，包括那些在看到特定结果后停止过程的决策树。他们证实，虽然固定序列总是产生一致的结果，但自适应序列（即下一步取决于前一步的序列）揭示了模型的隐藏缺陷。在连续实验中，团队进行了数百万次试验以测量探测器之间的符合度。数据与理论预测完美契合，显示出对未来设置的微妙依赖性在模型框架内是真实存在的。研究还探讨了“重置”机制是否能解决这些问题，但发现如果设备是以非随机的方式被重复使用，仅仅重置设备并不能解决问题。

这项工作的核心结论是，对于一个具有可行性的逆因果模型，必须满足两个严格条件。首先，隐藏状态的更新方式必须保证无论实验者如何选择继续实验，所有可能结果的总概率保持恒定。其次，隐藏准备过程必须对观察者是不可区分的，这意味着发生的记录不能揭示未来选择了哪种设置。论文指出，许多提出的模型都未能通过这些测试。当一个模型失败时，意味着隐藏变量并非真正隐藏；它们会在可观测记录中留下痕迹，使得实验者能够推断出他们的未来选择。这并不证明逆因果律是不可能的，但它为任何提出此类理论的模型施加了沉重的负担。该理论必须构建得极其精密，才能经受住一个根据已有数据主动调整策略的观察者的审视。

研究还强调了如何定义“记录”的重要性。在这些模型中，记录不仅包括最终的测量结果，还包括时间、控制器设置以及对环境的记忆。研究人员发现，如果你忽略这些细节而只看最终结果，你可能会错过失败的迹象。只有当你观察整个事件链，包括过程中做出的决策时，这种不一致性才会显现出来。这表明，任何构建逆因果模型的尝试都必须考虑实验装置的完整复杂性，包括观察者改变主意的能力。这项工作并非构建了一个新的探测器，也不是证明自然界就是这样运作的；相反，它提供了一套用于测试所提模型是否一致的数学工具。通过应用这些工具，研究人员现在可以排除那些最初看起来似乎合理的整类模型。

最后，这篇论文是对那些试图通过受未来影响的隐藏变量来解释量子相关性的理论进行的严密压力测试。它表明，虽然这些模型可以通过调整来适用于简单的静态场景，但在面对一个会学习并适应的实验者所构成的动态现实时，它们却难以生存。研究结果表明，如果这类模型确实存在，它们必须受到比此前认为的更为严格的约束，需要一种极高的连贯性，而这种连贯性很难在不引入新的、无法解释的机制的情况下实现。这项研究为未来的理论留下了空间，但也要求它们必须通过更高的证明标准，以确保隐藏的过去对于当下的好奇观察者而言，依然是真正隐藏的。