量子空间序列的因果记忆如何决定其操作复杂度？

复杂度由记忆而非纠缠单独决定

论文追问是什么让一个量子过程比另一个更复杂，并给出操作性的回答：结构就是系统为因果生成一段相关量子输出序列所必须保留的记忆。这与经典计算力学相呼应，后者把结构复杂度定义为忠实因果模型的最小记忆，但在这里，被生成的过程和模型记忆都用量子力学处理。

研究对象是量子空间序列：一维量子系统链，由持续记忆的时间不变演化逐格发射，输出被保留并可单独或集体测量，但从不返回与生成系统相互作用。由于输出不被送回，序列携带的是格点之间的空间量子关联，而不是侵入式干预会产生的时间关联。论文证明这类序列满足柯尔莫哥洛夫一致性条件，因此即使在不测量与无选择测量不同的通用量子过程中，其边缘态仍然良定义。

最小记忆模型无需丢弃环境

这里的一般模型保留一个记忆系统，每个时间步让它与辅助系统相互作用，发射一个输出，并把无用信息丢弃到环境中。核心结果是：对于满足有限维、本原因果模型的平稳、有记忆量子空间序列，可以选取一个同时最小化统计记忆代价和拓扑记忆代价的模型，以等距方式生成输出，且不丢弃任何环境。

这一点重要，因为它排除了常见的担忧：表面上的记忆节省其实藏在与丢弃无用信息的关联中。因果性是在所有锐利测量历史上施加的，因此该要求不偏向某个优先测量基。于是最小模型由其规范矩阵乘积态表示唯一确定，该表示同时固定最小记忆维度和最小记忆熵。

记忆维度与记忆熵是两种不同代价

论文把两种互补的复杂度度量分开。拓扑复杂度以比特计，衡量记忆的大小；统计复杂度衡量记忆稳态分布中存储了多少信息。一个模型可以在一种意义上最小而在另一种意义上不最小，因此这两个数字不应互相替代。

规范矩阵乘积态同时确定这两个量。最小记忆维度来自表示的结构，最小记忆熵来自其过去-未来划分下的施密特谱。这正是论文能够主张：矩阵乘积态形式来自因果记忆最小化，而不是外部强加的张量网络拟设。

过去-未来纠缠熵等于不可约记忆

论文最尖锐的认定是：量子统计复杂度恰好等于过去-未来二分下的纠缠熵。在这一框架下，纠缠不只是附着于过程的非经典资源；它就是忠实因果生成该量子空间序列本身所需的不可约记忆。

这把此前在经典随机过程的量子模型中建立的量子模型记忆与纠缠之间的联系，推广到了未被测量的量子序列。相关关联是链上过去-未来切分处的关联，因此该量由过程自身的结构定义，而不是由选定的观测记录定义。

有限因果记忆迫使熵率消失

在有限维、本原因果类中，论文确立了三个结构性后果：基本熵率为零，不存在因果不对称，量子马尔可夫阶为无穷大。从经典计算力学的角度看，这些性质显得反常，因为在经典情形中正熵率和有限马尔可夫阶是常态。

论文用量子力学中更丰富的信息结构来解释这一反差。一个具有正熵率的有记忆经典过程，若作为固定乘积基下对角的量子空间序列嵌入，就不存在有限维本原因果模型，因此它落在本文研究的类之外，即使它可能有有限的经典因果模型。这一区别的关键在于要求对所有锐利测量选择都成立因果性，而不只是对某一个。

量子复杂度低于测量得到的经典复杂度

例子把差距具体化。对于量子扰动硬币和量子尼莫过程，块熵收敛到超额量子熵，而近视基本熵率收敛到零；在1000个时间步时，块熵的偏差低于10^-12，熵率的偏差低于10^-15，表明这些值已基本达到其渐近量。

对于所建模的经典尼莫过程，三个参数集下的经典统计复杂度约为(1.58, 1.15, 1.56)，而完整量子空间序列以及该经典过程的量子模型，其量子统计复杂度约为(1.25, 0.781, 1.32)。因此，空间序列的量子统计复杂度小于经典过程的经典统计复杂度。超额熵也不同：量子空间序列约为(2.50, 1.56, 2.64)，而经典过程约为(0.585, 0.499, 0.866)，表明在计算基下测量会丢失未测量序列中存在的部分过去-未来关联。经典过程保留非零的渐近随机性，约为(0.318, 0.619, 0.624)，而空间序列在所有参数值下熵率都为零。

结论适用于未被测量的量子序列

熵率消失、不存在因果不对称以及无穷马尔可夫阶，都是关于有限维、本原因果类中未被测量量子序列的陈述。对其输出进行测量所得到的经典过程，仍可能表现出广泛的随机性和不同的记忆需求，尼莫对比就说明了这一点。

该框架还假设平稳性和有记忆性，并有意排除对已发射输出的干预反馈回生成动力学。将其推广到真正的时空量子过程，以及推广到受限于局域探测、固定测量基、有限深度集体操作或非自适应协议的观察者，被留作未来工作。这些依赖观察者的不确定性、记忆和复杂度概念，正是内在图景有望与基于测量统计的半经典描述相接的地方。

比较未测量量子记忆与测量经典记忆

论文的实际优先事项是一条比较规则：判断一个量子过程有多复杂时，不要从测量得到的经典记录中读取复杂度。应通过其规范矩阵乘积态的过去-未来纠缠熵，测量未被测量量子空间序列的不可约记忆，并把记忆维度和记忆熵作为两种不同代价分开保留。

尼莫的数字说明了为什么这很重要。同一个底层过程一旦施加计算基测量，就可能显得更复杂，因为该测量丢弃了过去-未来关联，并引入了未测量序列所没有的非零渐近随机性。决定性的门槛在于：未被测量的序列究竟是否存在有限维、本原因果模型；如果存在，熵率就必须为零，而任何以固定乘积基对角嵌入的正熵率经典过程都落在该类之外。

本文引用的文献