🔬 物理学

The Representability Gap: Massive-Graviton Physics Cannot Be Held by Virtual-World Physics Engines but Survives the Low-Precision Number Formats of Artificial Intelligence

本文表明，尽管表征大质量引力子物理学所需的计算精度超过了虚拟世界物理引擎的能力，从而导致显著的数值伪影，但同样的效应在人工智能系统所使用的低精度格式中仍然是可表征且可学习的。

原作者： Alfredo Merlet

发布于 2026-10-22

📖 1 分钟阅读☕ 轻松阅读

原作者： Alfredo Merlet

原始论文采用 CC BY 4.0 许可（https://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

引力是让我们的双脚留在地面上并让行星保持在轨道上的无形力量，但在最深层的物理学理论中，它也可能由被称为“引力子”的微小、不可见的粒子组成。科学家们从未真正观测到单个引力子，许多人认为直接探测到它是极其困难的，因为它所携带的力量是如此之弱。然而，如果这些粒子确实存在并且具有极微小的质量，它将改变引力在广袤距离上的运作方式。引力将不再像一根永不折断的橡皮筋那样无限延伸，而是会有一个极限；同时，被称为引力波的时空涟漪，其传播速度将根据其“音调”（频率）而略有不同。这个想法不仅仅是物理学家的思想实验；它现在是一个触及我们数字生活的课题。当我们构建宏大的虚拟世界并训练人工智能来理解宇宙时，我们依赖计算机来模拟这些力量。但计算机并不以无限的精度进行思考；它们使用一种只能存储一定细节程度的数字系统。如果一个大质量引力子的效应小于计算机能够存储的最小细节，那么该效应在机器内部就根本不存在。

一位名叫阿尔弗雷多·梅雷特（Alfredo Merret）的研究员着手测试了物理定律的真实边界与计算机数字极限之间的这一界限。他提出了一个简单而深刻的问题：如果宇宙在当前科学允许的最边缘处包含一个大质量引力子，运行虚拟世界或人工智能的计算机是否真的能“看见”它？为了找到答案，他利用来自 LIGO、Virgo 和 KAGRA 协作组关于引力波观测的最前沿引力子质量界限，进行了两组截然不同的实验。第一个实验侧重于驱动视频游戏和虚拟现实的物理引擎。这些引擎通过计算物体如何移动和相互作用来模拟引力。梅雷特测试了由大质量引力子引起的微小引力修正，是否能够被这些引擎所使用的标准数字格式所存储——这些格式涵盖了从高精度到旨在提高速度的低精度格式。他发现，对于任何虚拟世界可能使用的尺度，无论是小房间还是行星规模，这种效应都太微小，无法被计算机内存所承载。事实上，只有在距离达到约 5.4 亿米（大约是地球到月球距离的一倍半）时，该效应才大到足以被最精确的格式所记录。而在用于快速处理的较低精度格式中，该效应要在距离达到 1.25 × 10¹³ 米（约 84 倍地球到太阳的距离）时才会变得可见。

第一个实验中最令人惊讶的发现不仅在于该效应是不可见的，还在于计算机有时会“发明”出一个虚假的版本。当物理引擎试图使用标准数学来计算这种修正时，涉及到的微小数字以一种产生巨大错误信号的方式相互抵消了。在某些情况下，计算机报告的引力变化竟然比真实效应大出 9 × 10¹⁶ 倍，或者在实际为零时声称效应存在。这意味着，运行在标准硬件上的虚拟世界不仅无法展示大质量引力子的微妙影响，还会主动生成看起来真实、实则完全由其自身数字系统局限性制造出来的“幻影力”。随着世界规模的变化，引擎会在“沉默”与“伪造”之间交替，从而创造出一个混乱且不忠于现实的宇宙模拟。

第二个实验将问题转向了人工智能，人工智能正越来越多地被用于分析引力波并从数据中学习物理定律。与模拟运动的物理引擎不同，人工智能系统通常使用极低精度的数字格式来高效、快速地处理信息。梅雷特测试了大质量引力子的独特特征（表现为引力波模式中的特定畸变）是否能在这些低精度格式的舍入过程中幸存下来。他发现，这里的情况与虚拟世界的情景恰恰相反。即使是现代 AI 硬件中使用的 8 位（8-bit）等高度压缩的数字格式，也能够承载由引力子引起的微小畸变。该信号保持清晰，且与舍入误差产生的噪声有明显的区别。当他训练神经网络来区分带有大质量引力子的波形与不带引力子的波形时，即便使用这些低精度数字，AI 的准确率也没有下降。系统仍然可以完美地学习其中的差异。

研究结论指出，代表大质量引力子物理现象的能力完全取决于所使用的数字系统类型。对于构建虚拟世界的引擎而言，数字的精度是主要障碍；效应实在太小，无法容纳，且尝试计算它往往会导致危险的错误。然而对于人工智能来说，数字的精度并不是问题。即使在最压缩的格式下，信号也足够强大，可以被存储和学习。人工智能真正的限制不在于硬件承载数字的能力，而在于数据中的噪声以及教导系统识别模式的难度。这项研究为任何构建“数字孪生”或模拟宇宙的人提供了一个明确的警告：在声称一个模拟世界展现了某种微妙的物理效应之前，必须首先检查计算机是否真的能在其内存中承载该效应。如果没有这一检查，模拟报告的可能不是自然法则，而是一个幽灵。

技术摘要：大质量引力子物理学中的可表示性差距

问题陈述
本文探讨了理论物理学与计算系统交叉领域的一个基本问题：大质量引力子的物理效应（特别是 Yukawa 修正和引力波色散）能否在现代虚拟世界物理引擎和人工智能（AI）硬件的算术约束内得到表示？尽管引力子目前仍是假设性的且无法作为单一粒子被探测到，但当前对其质量的限制（ $m_g \le 2.42 \times 10^{-23}$ eV/ $c^2$ ）意味着其对广义相对论的偏离是可计算的。本研究调查了这些偏差是否是“可表示的”——即是否可以在不丢失于舍入误差或产生伪影的情况下，被存储并计算于物理引擎（通常为 float32/float64）和 AI 加速器（float16, bfloat16, FP8）所使用的浮点格式中。

研究方法
作者利用已知真值（具有 60 位精度的合成数据参考）进行了两项计算实验，以测试三个预设假设：

H1： 在虚拟世界尺度下，Yukawa 修正无法在标准物理引擎格式中表示。
H2： 低精度 AI 格式会抹除大质量引力子的色散残差。
H3： 基于低精度输入的神经判别器与高精度输入相比，其准确度会下降。

实验 1（静态 Yukawa 修正）：
- 范围： 评估了分数力亏损 $\delta(x) = 1 - e^{-x}(1+x)$ 在六种浮点格式（float64, float32, float16, bfloat16, FP8 E4M3, FP8 E5M2）下的表现。
- 测试：
  - 可表示性： 计算了修正效应首次超过机器 epsilon ( $\epsilon$ ) 并变得可存储的阈值距离 ( $r^*$ )。
  - 直接评估： 模拟物理引擎在每次运算后进行舍入的情况下，如何评估表达式 $1 - e^{-x}(1+x)$ ，以检测抵消误差（cancellation errors）。
  - 轨道积分： 使用速度-韦莱（velocity-Verlet）积分器（游戏引擎中常用的方法）在不同尺度（从房间大小到 1,000 AU）下模拟牛顿引力与 Yukawa 引力下的轨道，以测量位移误差。
实验 2（AI 中的色散特征）：
- 范围： 分析了包含大质量引力子相位项的引力波旋近波形（参照 GW150914 模型）。
- 测试：
  - 表示底限： 测量将波形舍入至 AI 格式后的信噪比（SNR）残差。确定了在特定格式下，信号因舍入噪声而丢失的引力子质量底限。
  - 学习判别器： 训练一个多层感知器（MLP）来区分广义相对论波形与大质量引力子波形。测试当输入被舍入至各种格式时，分类器的准确度（AUC）变化，使用无噪声数据以隔离精度限制与探测器噪声。

关键结果

虚拟世界物理引擎（实验 1）：
- 不可表示性： 在当前质量界限下，Yukawa 修正项在 float64 格式下对于距离达 $\approx 5.4 \times 10^8$ 米（约 1.4 个地月距离）的范围是不可表示的；在 float32 格式下对于距离达 $\approx 1.25 \times 10^{13}$ 米（84 AU）的范围是不可表示的。即使在行星尺度上，该效应也比表示阈值低几个数量级。
- 幻象修正（Phantom Corrections）： 在浮点运算中直接评估 Yukawa 公式会由于灾难性抵消产生“幻象”修正。在 float32 中，在 1 AU 处，引擎报告的位移为 834 km，而真实的效应仅为 8 m（放大了 $10^5$ 倍）。随着尺度的增加，引擎在“沉默”（无效应）与“捏造”（产生虚假的大效应）之间交替切换。
- 结论： 支持 H1。虚拟世界尺度无法承载该修正；直接实现不仅是未能显示该效应，而且会产生比真实效应大几个数量级且正负号无法分辨的“幻象”物理现象。
人工智能格式（实验 2）：
- 信号保留： 与 H2 相反，色散残差在所有测试格式（包括 8 位 FP8）中均得以保留。在公布的质量界限下，表示信噪比（SNR）从 9.7（FP8 E5M2）到 $2.0 \times 10^7$ （float32）不等。
- 表示底限： 对于从 FP8 到 float32 的格式，质量底限（即 SNR=1 时）比当前界限低 3 到 4,500 倍。
- 可学习性： H3 未得到支持。分类器准确度并未随精度降低而出现系统性下降。在界限处，准确度受限于信号在干扰参数（相位/时间偏移）下的可学习性，而非数值精度。在界限以上的质量下，AUC 值保持在高位（通常为 1.0），涵盖了所有测试格式。
- 注意事项： 若不进行预先归一化，原始天体物理应变（ $10^{-21}$ ）会在 float16 和 FP8 中被清零；但标准的机器学习流水线会对数据进行归一化，从而保留了信号。

意义与主张
本文确立了一个领域特定的“可表示性差距”：

对于虚拟世界： 数字表示是核心约束。大质量引力子物理学无法在任何相关尺度下通过当前的物理引擎进行模拟。此外，直接实现不仅无法显示该效应，还会产生比真实效应大几个数量级且正负号无法辨别的“幻象”物理现象。
对于 AI： 数字表示不是核心约束。即使是低精度格式（FP8）也能存储色散特征。AI 的限制在于探测器噪声和信号的可学习性，而非其硬件的浮点精度。

治理启示
作者针对模拟世界和数字孪生的治理提出了一个正式的类比：任何声称模拟环境展示了“亚精度物理效应”（如引力子尺度的偏差）的说法，都必须附带显式的可表示性检查（representability check）。该检查应验证在相关尺度下，效应大小是否超过了格式的舍入阈值（特别是 $\epsilon/4$ ），然后才能报告或使用该效应。本文并非声称目前的系统可以探测到引力子物理，而是指出当前系统的算术逻辑不足以在不产生伪影的情况下表示该理论。

技术摘要：大质量引力子物理学中的可表示性差距

类似论文