Exploring the Landscape of Non-Equilibrium Memories with Neural Cellular Automata
Ehsan Pajouheshgar, Aditya Bhardwaj, Nathaniel Selub, Ethan Lake
我们研究许多身体记忆的景观:当地非平衡动力学的家庭,即使在任意扰动的情况下,也保留了热力学长时间尺度的初始条件的信息。 在二维中,唯一研究良好的记忆是Toom的规则。 使用严格的证明和机器学习方法的结合,我们表明2D记忆的景观实际上是相当广阔的。 我们发现记忆,在质量上与Toom规则不同的方式纠正错误,已经命令由波动稳定,并且仅在噪声存在的情况下保存信息。 总之,我们的结果表明,物理系统可以以许多不同的方式执行强大的信息存储,并证明多体记忆的物理比以前意识到的更丰富。 这项工作中研究的动态交互式可视化可在https://memorynca.github.io/2D上找到。
We investigate the landscape of many-body memories: families of local non-equilibrium dynamics that retain information about their initial conditions for thermodynamically long time scales, even in the presence of arbitrary perturbations. In two dimensions, the only well-studied memory is Toom's rule. Using a combination of rigorous proofs and machine learning methods, we show that the landscape of 2D memories is in fact quite vast. We discover memories that correct errors in ways qualitatively ...