[论文解读] Emergence time, curvature, space, causality, and complexity in encoding a discrete impulse information process

Vladimir S. Lerner|arXiv (Cornell University)|Mar 6, 2016

Industrial Automation and Control Systems参考文献 33被引用 3

一句话总结

本文提出一个框架，通过离散脉冲相互作用的马尔可夫扩散过程，将概率因果、信息编码与涌现时空联系起来。通过贝叶斯更新减少条件熵，该框架建模了可逆微观过程如何通过分层三元组网络产生曲率、逻辑复杂性和观察者整合的智能，其中涌现时间标志着从纠缠熵到结构化信息的转变。

ABSTRACT

Interacting random field of probabilities links Kolmogorov law 0-1 and Bayesian probabilities observing Markov diffusion process under Yes-No actions of random impulse. These objective probabilities measure virtual probing impulses processing the interactions in observable process. The impulse observation increases each posteriori correlation reducing conditional entropy measures from finite uncertainty up to certainty of real impulse. The reduced entropy conveys probabilistic causality with time course and temporal memory in collecting correlations, which interactive impulse innately cuts exposing hidden process entropy. The natural cut of this entropy reveals information hidden in the correlation connections. Inside the merging probing impulse emerges reversible microprocess with yes-no conjugated entangled entropy, curvature and logical complexity. Within the impulse time interval, entanglement starts before its space is formed and ends with beginning the space during reversible relative time interval being small part of impulse time interval. Merging impulse curves and rotates the impulse interactive actions in microprocess whose space interval measures this transitive movement.The cutting entropy sequentially converting to information memorizes the probes logic in Bit, participating in next probe conversions and encoding which memorizes information causality. The complexity and mass appears after the space emerges from the entanglement.The cognition assembles common units through the multiple attraction and resonances at forming network (IN) of triplet hierarchy, which accept only units that concentrates and recognizes each triplet IN node. The ended triplet of hierarchical INs measures level of the observer intelligence. The synthesized optimal process minimizes the observations time in Artificial designed information Observer with intellectual searching logic.

研究动机与目标

• 建模自组织系统中离散脉冲的概率相互作用如何涌现时空与因果关系。
• 解释通过贝叶斯更新减少熵如何导致可观测过程中信息编码与时间记忆的形成。
• 形式化从纠缠的、前时空的微观过程到具有逻辑复杂性的结构化、可逆信息流的转变。
• 将观察者智能定义为识别并集中信息单元的分层三元组节点网络。
• 通过基于熵到信息转换的最优信息处理逻辑合成，最小化人工观察者的观测时间。

提出的方法

• 使用马尔可夫扩散过程建模在是-否操作下的随机场相互作用，将柯尔莫哥洛夫0-1律与贝叶斯后验概率联系起来。
• 应用条件熵减少，将有限不确定性转化为确定性，表示随时间演化的概率因果。
• 引入一种可逆微观过程，其中纠缠先于空间形成，通过脉冲相互作用降低熵，揭示隐藏信息。
• 将空间涌现建模为总脉冲时间间隔的一小部分，在此期间产生曲率与逻辑复杂性。
• 构建一个由三元组节点组成的分层网络（IN），仅接受集中、共振的信息单元，形成基于认知的信息结构。
• 通过探测器转换中的比特级记忆编码信息因果，实现递归编码与观察者智能合成。

实验结果

研究问题

• RQ1 离散脉冲如何通过概率相互作用与熵减少产生涌现时间？
• RQ2 曲率与可逆微观过程在从纠缠熵到结构化信息的转变中起什么作用？
• RQ3 空间如何从非时空相互作用中涌现，其与脉冲持续时间的时间关系是什么？
• RQ4 分层三元组网络以何种方式实现观察者智能与信息识别？
• RQ5 逻辑复杂性与质量如何从熵到信息转换过程中合成？

主要发现

• 通过贝叶斯更新减少熵，将有限不确定性转化为确定性，从而实现具有时间记忆的概率因果。
• 空间的出现发生在总脉冲持续时间中一个短暂且可逆的时间区间内，标志着从非几何信息到几何信息的转变。
• 曲率与逻辑复杂性源于可逆微观过程中探测脉冲合并的旋转与弯曲动力学。
• 信息编码于参与后续探测器转换的比特级记忆中，跨相互作用记忆因果关系。
• 观察者智能通过分层IN节点的结束三元组进行量化，其仅识别并集中共振的、集中的信息单元。
• 合成的最优过程通过使信息编码与分层共振及吸引动力学对齐，最小化人工观察者的观测时间。