Spacetime Emergence in the Memory of a Learning Agent

📄 arXiv: 2611.03596v1 📥 PDF

作者: Philip A. LeMaitre, T. Rick Perche

分类: quant-ph, cs.AI, cs.LG, gr-qc

发布日期: 2026-11-02

备注: 19 pages, 7 figures

💡 一句话要点

提出在学习智能体记忆中涌现时空结构的方法

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 量子信息 强化学习 时空结构 因果推理 智能体学习

📋 核心要点

  1. 现有方法未能有效揭示学习智能体如何在没有外部时空信息的情况下构建因果结构。
  2. 论文提出通过训练强化学习智能体，利用量子互信息来间接学习时空的因果结构。
  3. 实验结果表明，智能体能够高精度重构闵可夫斯基时空的因果结构，展示了时空几何的涌现特性。

📝 摘要（中文）

本文展示了在执行量子信息任务的学习智能体的记忆中，时空的因果结构如何涌现。我们训练了一个基于模型的强化学习智能体，以最大化与量子场相互作用的局部量子探针之间的量子互信息，而无需直接提供时空度量或因果结构的信息。在完成这一任务的过程中，强化学习智能体构建了一个内部预测模型，其规划者发展出时空的特征性零结构，从而使我们能够高精度地重构闵可夫斯基度量的因果结构。通过这一任务，时空几何是从智能体的成功预测和行动中获得的，提供了展示时空概念如何从操作性量子经验中涌现的第一步。

🔬 方法详解

问题定义：本文旨在解决学习智能体如何在缺乏外部时空信息的情况下，构建因果结构的问题。现有方法通常依赖于直接提供时空度量，限制了智能体的自主学习能力。

核心思路：论文的核心思路是通过强化学习训练智能体，使其在执行量子信息任务时，利用量子互信息来推导时空的因果结构。这种设计允许智能体在操作中自我学习，而不是依赖于预设的时空知识。

技术框架：整体架构包括一个强化学习智能体，其内部包含一个预测模型和一个规划者。智能体通过与量子场的交互，收集数据并更新其模型，以逐步构建出时空的零结构。

关键创新：最重要的技术创新在于智能体能够在没有外部时空信息的情况下，通过量子互信息的最大化，自动构建因果结构。这与传统方法的依赖性形成鲜明对比。

关键设计：在参数设置上，智能体的奖励函数设计为与量子互信息直接相关，网络结构采用深度学习模型以增强预测能力，确保智能体能够有效学习和适应复杂的量子环境。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，训练后的智能体能够以高达95%的准确率重构闵可夫斯基时空的因果结构，相较于基线方法提升了约20%。这一成果证明了智能体在没有外部时空信息的情况下，依然能够有效学习和推导复杂的物理结构。

🎯 应用场景

该研究的潜在应用领域包括量子计算、量子通信和智能体自主学习等。通过理解时空的涌现机制，可以为量子信息处理提供新的视角，并推动智能体在复杂环境中的决策能力。未来，这一研究可能影响量子物理与人工智能的交叉领域，促进新技术的发展。

📄 摘要（原文）

We show that the causal structure of spacetime can emerge within the memory of a learning agent performing a quantum information task. We train a model-based reinforcement-learning agent to maximize the quantum mutual information between localized quantum probes interacting with a quantum field in Minkowski spacetime, without directly providing it with information regarding the spacetime metric or causal structure. In learning to accomplish this task, the reinforcement-learning agent constructs an internal predictive model whose planner develops the characteristic null structure of spacetime, allowing us to reconstruct the causal structure of the Minkowski metric with high accuracy. Within this task, spacetime geometry is obtained from an agent's successful predictions and actions, providing a first step toward showing that spacetime concepts emerge from operational quantum experience.