[论文解读] Arising information regularities in an observer

Vladimir S. Lerner|arXiv (Cornell University)|Jul 1, 2013

Neural Networks and Applications参考文献 47被引用 3

一句话总结

本文提出了一种通过概率观测实现观察者内信息涌现的框架，将信息建模为源自类量子微观过程（量子比特）与马尔可夫过程的产物。它展示了如何通过减少是/否概率序列中的熵，实现自组织信息结构的形成，通过三重编码的宏观单元编码因果性、逻辑与智能，智能程度由可接受三重组的最大数量来量化。

ABSTRACT

The approach defines information process from probabilistic observation, emerging microprocess,qubit, encoding bits, evolving macroprocess, and extends to Observer information self-organization, cognition, intelligence and understanding communicating information. Studying information originating in quantum process focuses not on particle physics but on natural interactive impulse modeling Bit composing information observer. Information emerges from Kolmogorov probabilities field when sequences of 1-0 probabilities link Markov probabilities modeling arising observer. These objective yes-no probabilities virtually cuts observing entropy hidden in cutting correlation decreasing Markov process entropy and increasing entropy of cutting impulse running minimax principle. Merging impulse curves and rotates yes-no conjugated entropies in microprocess. The entropies entangle within impulse time interval ending with beginning space. The opposite curvature lowers potential energy converting entropy to memorized bit. The memorized information binds reversible microprocess with irreversible information macroprocess. Multiple interacting Bits self-organize information process encoding causality, logic and complexity. Trajectory of observation process carries probabilistic and certain wave function self-building structural macrounits. Macrounits logically self-organize information networks encoding in triplet code. Multiple IN enclose observer information cognition and intelligence. Observer cognition assembles attracting common units in resonances forming IN hierarchy accepting only units recognizing IN node. Maximal number of accepted triplets measures the observer information intelligence. Intelligent observer recognizes and encodes digital images in message transmission enables understanding the message meaning. Cognitive logic self-controls encoding the intelligence in double helix code.

研究动机与目标

• 建模信息如何通过概率观测与微观过程动态在观察者中自组织。
• 解释认知与智能如何从基本的“是/否”概率序列中涌现。
• 形式化从可逆微观过程到不可逆宏观过程的转变，通过熵的调控实现。
• 将观察者智能量化为可接受的信息三重组的最大数量。
• 展示逻辑结构与因果性如何从熵最小化、基于极小化-极大化原则的信息过程中产生。

提出的方法

• 通过柯尔莫哥洛夫概率场中的1-0概率序列，建模信息的涌现。
• 应用马尔可夫过程，模拟观测系统中熵的减少与信息的切割。
• 使用在脉冲时间间隔内旋转与纠缠的共轭“是/否”熵。
• 引入极小化-极大化原则，以平衡切割过程中熵的减少与脉冲运行中熵的增加。
• 将宏观单元定义为概率性与确定性波函数自构建的结构单元，用于编码信息。
• 采用三重编码，以逻辑方式自组织信息网络，形成分层的IN（信息节点）。

实验结果

研究问题

• RQ1 概率观测序列如何在观察者中引发自组织信息？
• RQ2 熵的减少在可逆微观过程与不可逆宏观过程的涌现中起什么作用？
• RQ3 观察者如何通过信息编码与结构化三重组的接受，实现智能的量化？
• RQ4 共轭熵与脉冲曲线以何种方式实现信息记忆与逻辑结构的形成？
• RQ5 极小化-极大化原则如何调控观测过程中熵减少与信息增益之间的平衡？

主要发现

• 信息通过熵切割过程从“是/否”概率序列中产生，该过程减少相关性并增加运行脉冲的熵。
• 观察者的信息过程通过脉冲曲线与共轭熵的合并而形成，最终在空间中闭合为环路。
• 记忆中的比特源于势能减少，这是由于相反曲率导致的，从而将可逆微观过程与不可逆宏观过程绑定。
• 多个相互作用的比特自组织为编码因果性、逻辑与复杂性的逻辑宏观单元。
• 认知逻辑通过双螺旋编码控制信息编码，实现消息理解与图像识别。
• 观察者智能通过可接受的信息三重组的最大数量来衡量，形成共振IN节点的层级结构。