[论文解读] The impulse observations of random process generate information binding reversible micro and irreversible macro processes in Observer: regularities, limitations, and conditions of self-creation

Vladimir S. Lerner|arXiv (Cornell University)|Nov 11, 2015

Advanced Data Processing Techniques参考文献 47被引用 4

一句话总结

本文提出，观察者通过随机过程的脉冲式观测产生信息，将可逆的微观过程（通过贝叶斯关联实现的熵减少）与不可逆的宏观过程（记忆整合的信息流）相结合。核心贡献是一个基于变分极小化定律与信息路径积分的正式框架，将微观尺度的熵减与宏观尺度的自组织信息网络相联系，从而在定义的不变条件下实现观察者的自我创造。

ABSTRACT

What is information originating in observation? Until now it has no scientifically conclusive definition. Information is memorized entropy cutting in random observations which processing interactions. Randomness of various interactive observations is source of entropy as uncertainty. Observation under random 1-0 impulses probabilities reveals hidden correlation which connects Bayesian probabilities increasing each posterior correlation. That sequentially reduces relational entropy conveying probabilistic casualty with temporal memory of correlations which interactive impulse innately cuts. Within hidden correlation emerges reversible time space microprocess with conjugated entangled entropy which probing impulse intentionally cuts and memorizes information as certainty. Sequential interactive cuts integrates cutting information in information macroprocess with irreversible time course. Memorized information binds reversible microprocess within impulse with irreversible information macroprocess. Observer probes collect cutting information data bits of observing frequencies impulses. Each impulse cuts maximum of impulse minimal information performing dual max-min principle of converting process entropy to information through uncertain gap. Multiple naturally encoding bits moving in macroprocess join triplet macrounits which logically organize information networks encoding macrounits in structures enclosing triplet code. Network time space distributed structure self renews and cooperates information decreasing its complexity. Integrating process entropy functional and bits information in information path integral embraces variation minimax law which determines processes regularities. Solving problem mathematically describes micro macro processes, network, and invariant conditions of observer network self replication.

研究动机与目标

• 将信息定义为通过脉冲式处理从随机观测中提取的记忆化熵。
• 解释随机1-0脉冲序列中的隐藏相关性如何生成贝叶斯概率更新并减少关系熵。
• 建立可逆微观过程与不可逆宏观过程通过信息整合而结合的机制。
• 利用变分极小化定律推导观察者网络自我复制的不变条件。
• 通过三重编码宏单元与分布式结构更新，建立自组织信息网络的涌现模型。

提出的方法

• 通过离散1-0脉冲序列观测随机过程，以提取最小信息比特。
• 应用贝叶斯推断揭示隐藏相关性，减少关系熵并提高后验确定性。
• 实施双极大极小原则：在每次脉冲中最大化熵减少，同时最小化信息损失。
• 将多个编码比特整合为三重宏单元，形成具有逻辑性、可自我更新的信息网络结构。
• 构建信息路径积分，将过程熵与信息比特在变分极小化定律下统一。
• 通过泛函变分原理，数学推导观察者网络自我复制的不变条件。

实验结果

研究问题

• RQ1 脉冲式观测随机过程如何从熵中产生信息？
• RQ2 何种机制将观察者中的可逆微观过程与不可逆宏观过程相绑定？
• RQ3 随机1-0脉冲中的隐藏相关性如何导致贝叶斯概率更新与熵减少？
• RQ4 三重宏单元在组织自复制信息网络中起什么作用？
• RQ5 在何种不变条件下，观察者网络可通过信息绑定实现自我创造？

主要发现

• 脉冲观测通过切断随机过程中的不确定性间隙，提取最小信息比特，实现熵到信息转换的双重极值优化。
• 1-0脉冲序列中的隐藏相关性通过贝叶斯更新被揭示，减少关系熵并提高概率确定性。
• 记忆化信息将可逆微观过程（熵减少）与不可逆宏观过程（时间信息流）绑定，形成统一的观察者过程。
• 三重宏单元形成编码信息的逻辑结构，实现复杂度降低的分布式、自更新网络组织。
• 变分极小化定律控制过程熵与信息的路径积分，决定自我创造的规律性与不变条件。
• 数学框架成功描述了在给定约束下观察者的自我复制，将微观尺度的熵动力学与宏观尺度的信息网络相联系。