بررسی بازیابی اطلاعات سیاه چاله ها به کمک یادگیری ماشین کوانتومی

برای رسیدن به نتایج خود، نویسندگان سیاه‌چاله و تابش منتشرشده از آن را به‌عنوان یک سیستم کوانتومی توصیف‌شده توسط ماتریس‌های چگالی مدل کردند؛ این ماتریس‌ها اشیایی ریاضی هستند که حالت‌های کوانتومی احتمالاتی را رمزگذاری می‌کنند. آن‌ها رفتار این ماتریس‌ها را در چارچوب رگرسیون تحلیل کردند و فرآیند فیزیکی تبخیر را به یک وظیفه یادگیری نظارت‌شده تشبیه کردند. مقادیر کلیدی مانند واریانس خطای پیش‌بینی با استفاده از فرمول‌های شناخته‌شده از نظریه اطلاعات کوانتومی و نظریه ماتریس‌های تصادفی استخراج شدند.

این مطالعه هیچ آزمایش فیزیکی جدیدی پیشنهاد نمی‌دهد و همچنین، همان‌طور که خواهیم دید، بیان نمی‌کند که سیاه‌چاله‌ها به‌طور واقعی از یادگیری ماشین کوانتومی استفاده می‌کنند. در عوض، این مطالعه مسئله حل‌نشده فیزیکی — پارادوکس اطلاعات سیاه‌چاله — را در قالب ساختار یادگیری ماشین بازتعریف می‌کند. پیشنهاد می‌دهد که آنچه قبلاً به‌عنوان اطلاعات از دست‌رفته تصور می‌شد، ممکن است قابل بازیابی باشد، نه از طریق قوانین جدید فیزیک، بلکه از طریق درک رفتار داده‌های با بُعد بالا تحت تبدیل‌های شبیه رگرسیون.

اگرچه این کار نظری است، اما صرفاً فرضی نیست. منحنی پیج، تابش هاوکینگ و قانون مارچنکو-پاستور همگی از لحاظ ریاضی دقیق و معتبرند. نوآوری این مطالعه در هماهنگ کردن این مفاهیم در یک چارچوب تحلیلی واحد است. با این حال، مدل بر ساده‌سازی‌هایی متکی است: فرض می‌کند که دانش کامل از حالت‌های ریزسیاه‌چاله وجود دارد، نظریه دقیق گرانش کوانتومی در دسترس است و قابلیت اندازه‌گیری یا دستکاری اطلاعات کوانتومی در مقیاس‌های بسیار دقیق ممکن است؛ فرضیاتی که تاکنون از نظر دانش فعلی عملی نشده‌اند.

نویسندگان همچنین اذعان دارند که اگرچه تشبیهات آن‌ها از نظر ریاضی دقیق است، اما این به معنای واقعی بودن انجام وظایف یادگیری ماشین توسط سیاه‌چاله‌ها نیست. بلکه اشاره می‌کند که هر دو سیستم تحت محدودیت‌های مشابه نظریه اطلاعات عمل می‌کنند و یادگیری ماشین می‌تواند ابزار جدیدی برای درک هندسه فضا-زمان و جریان اطلاعات کوانتومی ارائه دهد.