В исследовании, опубликованном в Physical Review Letters, физики продемонстрировали, что чёрные дыры удовлетворяют третьему закону термодинамики, который гласит, что энтропия остаётся положительной и стремится к нулю при экстремально низких температурах, подобно обычным квантовым системам. Это открытие предоставляет убедительные доказательства того, что чёрные дыры обладают изолированными основными состояниями, что является характерным признаком квантово-механического поведения.
Понимание квантового поведения гравитации
Понимание квантового поведения гравитации является одной из важнейших открытых проблем современной физики. Чёрные дыры используются в качестве лабораторий для исследования квантовой гравитации, особенно при низких температурах, когда квантовые эффекты становятся заметными.
Парадокс энтропии чёрных дыр
Предыдущие расчёты показали, что энтропия чёрных дыр может стать отрицательной при низких температурах, что казалось физически загадочным. В этой работе исследователи рассмотрели парадокс, включив эффекты кротовых нор в двумерную модель гравитации Джексона-Тейтельбойма (JT).
Авторы исследования: Стефано Антонин, профессор Лука Виктор Илиеску, Пратик Рат и Патрик Дуй Тран.
Изолированные основные состояния
«Описывая чёрные дыры при экстремально низких температурах и понимая, имеют ли они изолированные основные состояния, подобно большинству обычных квантовых систем, мы надеемся раскрыть квантовые свойства гравитации», — объясняют исследователи.
В квантовых системах энтропия измеряет количество возможных микроскопических конфигураций. Если система имеет изолированное основное состояние — уникальную конфигурацию с наименьшей энергией — её энтропия должна стремиться к нулю при приближении температуры к абсолютному нулю.
Однако расчёты энтропии в гравитационных теориях всегда включают усреднение по ансамблю возможных конфигураций, что делает их сложными.
Два метода усреднения
Два разных метода усреднения, называемые отожжённой и закалённой энтропией, могут давать разные ответы. Отожжённая энтропия сначала вычисляет среднее значение, а затем энтропию, в то время как закалённая энтропия сначала вычисляет энтропию для каждой конфигурации, а затем усредняет.
«Необходимость сводится к проблеме порядка операций», — объясняют исследователи. «Предположим, вам дан набор квантовых систем и поставлена задача рассчитать среднюю энтропию. В идеале вы бы рассчитали энтропию каждой системы, а затем усреднили бы эти энтропии. Это называется закалённой энтропией».
Исследование квантовой природы чёрных дыр
Исследование квантовой природы чёрных дыр через энтропию показывает, что чёрные дыры ведут себя подобно обычным квантовым системам с уникальными основными состояниями. Это подтверждает, что чёрные дыры обладают изолированными основными состояниями и что их поведение соответствует квантово-механическим системам.
Изучение интерференции и переноса знаний в психологии и поведенческих науках
В психологии и поведенческих науках было выявлено множество способов, которыми может быть нарушено приобретение людьми новых знаний. Один из них, известный как интерференция, возникает, когда люди изучают новую информацию, и это затрудняет правильное вспоминание ранее приобретённых знаний.
Интересно, что аналогичная тенденция была обнаружена и в искусственных нейронных сетях (ИНС) — вычислительных моделях, вдохновлённых биологическими нейронами и связями между ними. В ИНС интерференция может проявляться в виде так называемого катастрофического забывания, процесса, посредством которого модели «забывают» определённые навыки или информацию после обучения на новой задаче.
Трансфер знаний
В некоторых случаях знания, приобретённые в прошлом, могут помочь людям или ИНС научиться выполнять новую задачу. Это явление, известное как «перенос», предполагает применение существующих знаний или навыков к новой задаче или проблеме.
Исследователи из Оксфордского университета недавно провели исследование, сравнивая, как люди и ИНС учатся выполнять задачи, требующие следования определённым логическим правилам. Их результаты, опубликованные в Nature Human Behavior, выявили аналогичные закономерности интерференции и переноса в вычислительных моделях и у людей, а также определили две широкие категории учащихся, демонстрирующих различные модели обучения.
«В ИНС приобретение новых знаний часто мешает существующим знаниям», — написали Элеонора Холтон, Лукас Браун и их коллеги в своей статье. «Хотя обычно утверждается, что люди преодолевают эту проблему, мы обнаруживаем удивительно похожие закономерности интерференции у обоих типов учащихся».
Задачи для изучения
В рамках своего исследования Холтон, Браун и их коллеги тестировали людей и нейронные сети на задачах, требующих изучения и следования определённым логическим правилам. Эти правила были организованы в последовательность A-B-A. Это означает, что первая задача требовала от участников следования одному правилу (A), следующая — другому правилу (B), а следующее правило следовало в первой задаче (A).
«При изучении последовательных задач, основанных на правилах (A–B–A), оба учащихся получают больше пользы от предварительных знаний, когда задачи похожи, — но в результате они также демонстрируют большую интерференцию при повторном тестировании на задаче A», — написали авторы. «В сетях это возникает из-за повторного использования ранее изученных представлений, что ускоряет новое обучение за счёт перезаписи предварительных знаний».
Категории учащихся
По сути, Холтон и её коллеги обнаружили, что, когда правила задач были похожи, и люди, и ИНС имели тенденцию переносить знания, полученные в первой задаче, во вторую. Однако многие из них затем демонстрировали эффекты интерференции, когда их просили вернуться к первым правилам, которые они изучили, во время третьей подзадачи.
Интересно, что исследователи также обнаружили, что люди, как правило, демонстрировали один из двух различных паттернов во время эксперимента. Некоторые люди демонстрировали высокий перенос и высокую интерференцию, в то время как другие демонстрировали низкий перенос и низкую интерференцию. Команда назвала эти две категории учащихся «компиляторами» и «декомпиляторами».
«У людей мы наблюдаем индивидуальные различия: одна группа («компиляторы») показывает большую интерференцию наряду с лучшим переносом, в то время как другая («декомпиляторы») избегает интерференции за счёт худшего переноса», — написали Холтон, Браун и их коллеги. «Эти поведенческие профили отражаются в нейронных сетях, обученных в богатом («компиляторском») или ленивом («декомпиляторском») режимах, поощряя перекрывающиеся или отдельные представления соответственно».
Выводы
В целом, результаты команды показывают, что при последовательном приобретении различных знаний люди и алгоритмы искусственного интеллекта могут попадать в схожие паттерны, которые либо нарушают, либо поддерживают их обучение. В будущем полученные ими сведения могут способствовать развитию ИНС, а также потенциально улучшить понимание того, как люди приобретают и сохраняют знания.