利用AI加速的有限尺寸缩放方法评估数字量子计量标准中的非对称认知不确定性

《Measurement》：AI-accelerated finite-size scaling for evaluating asymmetric epistemic uncertainty in digital quantum metrology standards

　　•人工智能加速了量子霍尔电阻崩溃时的有限尺寸缩放过程。•有界神经网络能够规避经典的临界减速瓶颈。•将2/3宾德极限硬编码可防止出现非物理性的AI幻觉。•该模型能够预测真正的宏观非对称认知不确定性下限。•为数字国际单位制提供了数学上严谨的稳定性边界。

引言
2019年，国际单位制进行了重新定义，将基本物理量与自然界的精确常数挂钩，这一变革极大地改变了电气计量学的范式。在这一变革中处于前沿的是量子霍尔电阻，尤其是基于外延石墨烯的实现方式[1]、[2]、[3]，它们在较为宽松的低温和磁场条件下，能够为冯·克利青常数（RK=h/e2）提供稳定的宏观表现形式。然而，要构建真正的“数字国际单位制”框架[4]、[5]、[6]，即让基本标准能够通过数学建模、持续模拟以及实时认证，而无需进行繁琐的实证校准，就需要对计量噪声的下限有精确的定量理解。具体而言，计量学家必须确定“稳定性边界”，明确热力学和磁场条件的确切界限，在这些界限处，拓扑保护机制会失效，ν=2平台状态会从量子化状态转变为耗散状态[7]、[8]、[9]。

传统上，测量不确定度的评估依据是《测量不确定度表示指南》（GUM）[10]，该指南严重依赖对称误差传播以及高斯统计波动的假设。虽然这一框架对于处理经典仪器噪声非常有效，但对于评估接近量子相变点的认知不确定性来说则存在结构性缺陷。标准的GUM框架强加了对称高斯假设，这会严重扭曲并过度惩罚量子相变过程中固有的非对称统计特征。当量子霍尔电阻装置接近崩溃阈值时，其宏观可观测量（纵向电导率）会受到量子临界渗透效应和局域化动力学的影响（例如查尔克-科丁顿网络模型[12]）。因此，其背后的统计波动会变得极度非对称。若对这类系统施加对称高斯限制，就会在数学上扭曲真实的计量不确定性，这就需要转向非高斯统计力学，以建立准确的计量溯源关系。

目前，用于模拟这种崩溃过渡的理论研究主要依赖于紧束缚哈密顿量、非平衡格林函数（NEGF）或介观量子蒙特卡罗模拟[13]、[14]、[15]。尽管这些第一性原理方法能够成功捕捉n=0朗道能级的微观物理特性，但当将其应用到实际计量装置的宏观尺度时，就会面临难以克服的计算瓶颈。要评估真正的宏观A类不确定性（UA），就必须朝着热力学极限进行有限尺寸缩放（FSS，L?∞）。然而，精确的量子蒙特卡罗模拟的计算量会随着系统体积的增加而呈指数级上升。此外，当系统接近量子临界点时，关联长度会发散。这会导致严重的“临界减速现象”，此时马尔可夫链的自相关时间会按照τ∝Lz的规律变化（其中z为动态临界指数）。因此，为了解决不同的热力学构型问题，所需的算法复杂度会按照OLd+z的规律上升。将模拟从L=128的介观晶格扩展到L=512的宏观装置时，所需运算量并非简单倍增，而是会增加多个数量级。因此，无论采用何种现代硬件加速技术，通过暴力式的经典采样来确定精确的宏观计量相界在算法层面都是不可行的。

近年来，机器学习，尤其是物理信息神经网络（PINNs）和神经网络量子态，已成为加速复杂物理模拟的强大工具[16]、[17]、[18]。在凝聚态物理学中，神经算子已被用于解决蒙特卡罗符号问题并外推相图。然而，标准的深度学习架构本质上属于强烈的曲线拟合工具；当被用来根据介观训练数据外推宏观计量极限时，未经约束的PINNs往往会出现灾难性的龙格现象。它们会生成物理上不可能的状态，预测出超出训练域范围的巨大不确定性方差，还常常违反基本的普适性限制，因此作为基本计量标准使用时极其不可靠。

为了解决这些计算和认知层面的瓶颈，本研究提出了一种新型的人工智能加速有限尺寸缩放方法，该方法采用了拓扑有界的物理信息神经网络[19]、[20]。其主要目标是无需进行大规模晶格模拟，就能准确预测基于石墨烯的量子霍尔电阻标准的宏观非对称溯源差距。我们通过使用严格生成的（2+1）D铃木-特罗特数据集来训练神经网络，这些数据集适用于计算成本较低的介观晶格（L=16至L=128），从而迫使人工智能学会理解量子隧穿场代理参数（Kt）相关的各种缩放函数。至关重要的是，我们没有仅仅使用软惩罚损失函数，而是将热力学普适性约束， specifically，宾德累积极限（U4≤2/3），直接以数学方式硬编码到神经网络的激活结构中。这种有界架构能够可靠地预测临界阈值（0.42≤Kt≤0.44）下的L=256宏观计量噪声下限，从而为生成数字量子标准的质量预算提供了一个符合物理规律且高效快速的框架。

此外，虽然商业化的PINNs依赖软MSE惩罚函数，而这些函数在宏观外推过程中常常失效，但我们直接将热力学极限硬编码到神经网络激活结构中的做法，能够在整个缩放范围内确保符合物理规律。因此，这种方法能够保证A类认知不确定性的评估始终符合学科规范，也与《国际计量词汇》中的原则保持一致。通过明确强调量子不确定性的非对称特性，该框架为测量科学领域做出了贡献，使其有别于普通的机器学习应用。

方法部分节选
为了准确评估量子霍尔电阻拓扑结构崩溃过程中所固有的非对称认知不确定性，我们的方法将第一性原理统计力学与有界深度学习相结合。该流程分为两个阶段：首先生成精确的量子介观数据集，然后运用拓扑有界的物理信息神经网络来提取宏观热力学极限。

精确的蒙特卡罗基准测试与缩放壁
精确的量子蒙特卡罗模拟为评估n=0朗道能级提供了基础的统计参考。从L=16到L=128的介观尺度中提取的数据，为我们理解量子拓扑崩溃机制提供了重要线索。综合缩放分析表明，随着晶格尺寸的增大，“量子化状态”向“耗散状态”的转变会变得更加明显（见图2）。尤其对于L=128的晶格而言，

总结与结论
要构建基于数字国际单位制的完整框架，就需要具备能够以与物理标准本身同样精确的程度来评估计量不确定性的计算模型。在本研究中，我们发现传统的对称误差传播框架（GUM）在描述接近临界状态的量子基本标准时存在结构性缺陷。基于石墨烯的量子霍尔电阻的崩溃现象表明，

未引用参考文献
[23]

利益冲突声明
作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
作者感谢阿杰伊·舒克拉和帕拉米塔·古哈在技术方面给予的宝贵帮助，同时也感谢匿名审稿人提出的严格评价和建设性建议，这些意见大大提升了本文的质量。在撰写本文期间，作者使用了Gemini大型语言模型来优化文本表达，并用Python代码进行调试。作者对内容进行了必要的审核和编辑，并对文章内容承担全部责任。

Jiji J. Pulikkotil