[论文解读] Quantum Integrated Information Theory.

Paolo Zanardi, Michael Tomka+1 more|arXiv (Cornell University)|Jun 4, 2018

Neural Networks and Applications被引用 5

一句话总结

该论文开创性地将整合信息理论（IIT）扩展至量子领域，构建了一个在量子系统网络中量化整合信息（$Φ$）的一致框架。它识别出不同阶段——从非整合（$Φ=0$）到整体性（$Φ$对数广延）——并分析了其相变，为量子意识理论奠定了基础。

ABSTRACT

Integrated Information Theory (IIT) has emerged as one of the leading research lines in computational neuroscience to provide a mechanistic and mathematically well-defined description of the neural correlates of consciousness. Integrated Information ($\Phi$) quantifies how much the integrated cause/effect structure of the global neural network fails to be accounted for by any partitioned version of it. The holistic IIT approach is in principle applicable to any information-processing dynamical network regardless of its interpretation in the context of consciousness. In this paper we take the first steps towards a formulation of a general and consistent version of IIT for interacting networks of quantum systems. A variety of different phases, from the dis-integrated ($\Phi=0$) to the holistic one (extensive $\log\Phi$), can be identified and their cross-overs studied.

研究动机与目标

• 将整合信息理论（IIT）扩展至量子系统，以实现对量子网络中整合信息的研究。
• 在量子动力系统中定义一致且数学严谨的整合信息（$\\Phi$）度量方法。
• 探索量子系统中整体性信息整合的出现，与经典IIT进行对比。
• 识别并表征量子网络中从非整合到广延整体性各阶段的信息整合相。

提出的方法

• 通过利用量子态演化和密度矩阵来定义因果/效应谱系，将核心IIT形式化应用于量子系统。
• 在量子设定下，通过在所有可能的系统划分中最小化有效信息来定义整合信息（$Φ$）。
• 使用量子过程层析成像和密度矩阵形式化，计算量子子系统的因果与效应谱系。
• 将该框架应用于建模量子网络，以分析非整合态与整体态之间的相变。
• 采用熵度量和$Φ$的对数缩放方法，识别量子系统中广延整体行为。
• 通过数值和解析研究量子网络模型，分析各相之间的交叉过渡。

实验结果

研究问题

• RQ1 如何为相互作用的量子系统网络一致地形式化整合信息理论（IIT）？
• RQ2 IIT中非整合（$Φ=0$）和整体性（$Φ$对数广延）相的量子对应物是什么？
• RQ3 量子网络中整合与分割信息结构之间的相变如何出现？
• RQ4 量子纠缠在实现量子系统中高$Φ$值的过程中起什么作用？
• RQ5 量子系统的整体行为是否可由$Φ$的对数缩放表征，如同经典IIT中那样？

主要发现

• 该论文成功构建了整合信息理论（IIT）的量子版本，将经典$Φ$度量扩展至量子系统。
• 识别出不同相：非整合（$Φ=0$）和整体性，后者表现出$Φ$的对数广延缩放。
• 可在量子网络中研究和表征从非整合到整体态的相变。
• 该框架可利用密度矩阵和过程层析成像计算量子系统中的因果与效应谱系。
• 量子系统中的整体相与广延的$Φ$对数相关，表明存在强烈的全局整合。
• 结果表明，量子系统可支持高水平的整合信息，与IIT原则一致。