TL;DR
- چکیده:.
- ما یک بررسی عددی سیستماتیک از زنجیره "گرانش هندسه درهم تنیدگی" در شبکههای تانسور تصادفی (RTN) ایجاد.
- شده توسط حدس ER EPR و مشتق ترمودینامیکی جاکوبسون ارائه میکنیم.
چه اتفاقی افتاد
چکیده:. ما یک بررسی عددی سیستماتیک از زنجیره "گرانش هندسه درهم تنیدگی" در شبکههای تانسور تصادفی (RTN) ایجاد.
شده توسط حدس ER EPR و مشتق ترمودینامیکی جاکوبسون ارائه میکنیم. ابتدا، پایه سینماتیکی را تأیید میکنیم: قانون اول درهمتنیدگی $\delta\langle K\rangle=\delta S$ (شیب=1.
000)، رمزگذاری هندسه با اطلاعات متقابل (همبستگی = 0. 92)، و محل آشفتگیهای هولوگرافیک (3.
3x). ما همچنین تأیید میکنیم که دینامیک گرانشی (گرانش JT) ظاهر نمیشود،.
و یک مرز تیز سینماتیک-دینامیک را شناسایی میکند. دوم،.
و مهمتر از آن،. ما کشف میکنیم که مکان یابی چند بدنه (MBL) مکانیزمیاست که از هندسه هولوگرافیک در برابر.
حرارت محافظت میکند. با جایگزینی تکامل تصادفی هار (طول عمر هندسه $t\sim6$) با یک اختلال همیلتونی XXZ به علاوه در محل،.
یک اندازه محدود مشاهده میکنیم. متقاطع در قدرت اختلال $W_c\ approx10-12$ که بالاتر از آن همبستگیهای شبکه اطلاعاتی متقابل بهطور نامحدود ادامه.
دارد ($r>0. 5$ برای $t>50$).
ما فضای کامل پارامتر را ترسیم میکنیم:. رژیم بهینه یک ناهمسانگردی نزدیک به Ising $\Delta\approx50$ با $W=30$ است که $r=0.
779\pm0. 002$ را به دست میدهد (با یک اسکن دقیق بیش از $\Delta\in[30,70]$ تایید شده است).
فقط حالتهای اولیه هولوگرافیک (RTN) هندسه را حفظ میکنند،. در حالی که حالتهای محصول،.
نیل و جفت بل اینطور نیستند. MBL ساختار فضایی درهم تنیدگی را حفظ میکند (نسبت MI مجاور/غیر مجاور ~ 2.
6-4. 2x در مقابل 1.
0x در فاز حرارتی)، به جای مقدار کل آن. مقایسه با اتوماتای سلولی کلاسیک نشان میدهد که MBL بهطور منحصربهفردی،.
معاوضه درهم تنیدگی ساختار تحمیلشده توسط تکهمسری کوانتومیرا میشکند:. سیستمهای کلاسیک تنها با هزینه اطلاعات متقابل ناچیز به ساختار فضایی دست مییابند،.
در حالی که MBL هر دو را حفظ میکند. صفحه، 6 شکل، 9 جدول سیستمهای اختلال و شبکههای عصبی (cond-mat.
dis-nn)؛ فیزیک انرژی بالا - نظریه (hep-th); فیزیک کوانتومی (quant-ph) استناد بهعنوان: (یا v1 [cond-mat. dis-nn] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Zhihua Liang [مشاهده ایمیل] [v1] دوشنبه،.
6 آوریل 2026،. 11:.
20:. 08 UTC (613 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.