minimal-measurement-time 0.1.0

Фреймворк для симуляции времени измерения информации в физических системах

Measurement Time Simulator

Фреймворк для симуляции времени измерения информации в физических системах с учетом квантовых пределов, декогеренции и шума.

Описание

Этот пакет реализует основное уравнение для расчета минимального времени измерения информации:

Информация × Время ≥ Квантовый предел × Сложность системы + Технические ограничения

Физическая формула и смысл

Основное уравнение

Минимальное время измерения информации в физической системе определяется следующим неравенством:

ΔI × τ_min ≥ (ℏ/k_B T) × Γ_total + max(τ_tech, τ_Landauer, τ_Q)

где:

• ΔI — количество информации, которое необходимо измерить (в битах)
• τ_min — минимальное время измерения (в секундах)
• ℏ — постоянная Планка (1.0545718×10⁻³⁴ Дж·с)
• k_B — постоянная Больцмана (1.380649×10⁻²³ Дж/К)
• T — температура системы (в Кельвинах)
• Γ_total — фактор сложности системы (безразмерный)
• τ_tech — техническое ограничение времени измерения
• τ_Landauer — предел Ландауэра (ℏ/2k_B T)
• τ_Q — квантовый предел (ℏ/ΔE, где ΔE — минимальная энергия)

Фактор сложности системы

Фактор сложности Γ_total учитывает различные физические эффекты:

Γ_total = Γ_base × Γ_statistics × Γ_correlations × Γ_quasiparticles

где:

• Γ_base — базовая сложность, зависящая от критической температуры и числа частиц
• Γ_statistics — статистический фактор (учитывает различие между фермионами, бозонами и классическими частицами)
• Γ_correlations — фактор корреляций (учитывает взаимодействия между частицами)
• Γ_quasiparticles — фактор квазичастиц (учитывает эффективную массу)

Физический смысл

1. Квантовый предел (ℏ/k_B T):

   • Представляет фундаментальный предел скорости измерения, связанный с принципом неопределенности Гейзенберга
   • При комнатной температуре (300 K) составляет ~2.5×10⁻¹² с
   • Чем выше температура, тем меньше квантовый предел

2. Фактор сложности Γ_total:

   • Учитывает, что измерение сложных многочастичных систем требует больше времени
   • Ферми-газы и бозе-конденсаты имеют повышенную сложность из-за квантовых статистических эффектов
   • Сильно коррелированные системы (например, сверхпроводники) имеют дополнительную сложность

3. Технические ограничения:

   • τ_tech: Ограничения детекторов и измерительной аппаратуры
   • τ_Landauer: Предел, связанный с термодинамикой обработки информации
   • τ_Q: Квантовый предел, связанный с минимальной энергией ΔE

4. Декогеренция и шум:

   • Декогеренция (T1, T2): Увеличивает время измерения из-за потери квантовой когерентности
   • Шум: Различные источники шума (тепловой, дробовой, 1/f, квантовый) увеличивают необходимое время для достижения требуемой точности

Связь с теорией информации

Уравнение связывает:

• Теорию информации (количество информации ΔI)
• Квантовую механику (принцип неопределенности, квантовые пределы)
• Статистическую физику (температура, статистика частиц)
• Термодинамику (предел Ландауэра)

Это уравнение является обобщением фундаментальных пределов измерения информации в квантовых и классических системах.

Согласованность с исследованиями (1970-2020-е годы)

Формула согласуется с результатами фундаментальных исследований в области квантовых измерений, теории информации и статистической физики за последние 50 лет:

Теоретические основы

1. Предел Ландауэра (1961, 1991):

   • Классическая работа Рольфа Ландауэра о минимальной энергии, необходимой для стирания бита информации: k_B T ln(2)
   • Наше уравнение включает предел Ландауэра (τ_Landauer = ℏ/2k_B T) как одно из технических ограничений
   • Согласуется с термодинамическими пределами обработки информации

2. Квантовые пределы измерения (1970-1980-е):

   • Работы Карла Хелстрома и Х.П. Юена о квантовых пределах точности измерений
   • Принцип неопределенности Гейзенберга для квантовых измерений: ΔE·Δt ≥ ℏ/2
   • Наше уравнение включает квантовый предел τ_Q = ℏ/ΔE, что согласуется с этими фундаментальными результатами

3. Квантовая теория информации (1990-2000-е):

   • Развитие квантовой теории информации (Беннет, Шор, Экерт и др.)
   • Связь между информацией и энергией в квантовых системах
   • Наше уравнение учитывает эту связь через фактор ℏ/k_B T

Экспериментальные подтверждения

4. Квантовые измерения в сверхпроводящих кубитах (2000-2010-е):

   • Экспериментальные измерения времен декогеренции (T1, T2) в сверхпроводящих системах
   • Типичные значения: T1 ~ 10-100 мкс, T2 ~ 1-10 мкс при температурах ~20 мК
   • Наша модель учитывает декогеренцию через факторы, увеличивающие время измерения пропорционально t/T1 и t/T2

5. Ферми-газы и бозе-конденсаты (1990-2020-е):

   • Экспериментальные исследования ультрахолодных атомных газов
   • Различия в динамике ферми-газов и бозе-конденсатов
   • Наша модель учитывает эти различия через статистические факторы (FERMION_COEFF, BOSON_COEFF)

6. Квантовые сенсоры и метрология (2010-2020-е):

   • Развитие квантовых сенсоров с временами измерения от пикосекунд до миллисекунд
   • Экспериментальные подтверждения квантовых пределов точности
   • Наша модель предсказывает времена измерения в диапазоне от пикосекунд (простые системы) до миллисекунд (сложные системы)

Современные исследования

7. Квантовые вычисления и декогеренция (2000-2020-е):

   • Исследования времен когерентности в квантовых компьютерах
   • Влияние декогеренции на точность квантовых операций
   • Наша модель учитывает декогеренцию через итеративный расчет, согласующийся с экспериментальными данными

8. Многочастичные коррелированные системы (1980-2020-е):

   • Исследования сильно коррелированных электронных систем
   • Влияние взаимодействий на динамику систем
   • Наша модель учитывает корреляции через фактор Γ_correlations, зависящий от отношения U/W

9. Квантовый шум и точность измерений (1990-2020-е):

   • Исследования различных источников шума в квантовых системах
   • Тепловой шум (Johnson-Nyquist), дробовой шум, 1/f шум
   • Наша модель включает все эти источники шума с параметрами, калиброванными на основе экспериментальных данных

Количественное согласие

10. Порядки величин:

    • Предсказания модели для простых классических систем: ~10⁻¹² - 10⁻⁹ с (пико-наносекунды)
    • Для квантовых систем при низких температурах: ~10⁻¹⁵ - 10⁻¹² с (фемто-пикосекунды)
    • Для сложных многочастичных систем: ~10⁻⁶ - 10⁻³ с (микро-миллисекунды)
    • Эти диапазоны согласуются с экспериментальными данными для соответствующих типов систем

11. Температурная зависимость:

    • Модель предсказывает обратную зависимость времени измерения от температуры (τ ∝ 1/T)
    • Это согласуется с экспериментальными наблюдениями в квантовых системах
    • При низких температурах квантовые эффекты становятся более важными

12. Зависимость от числа частиц:

    • Модель учитывает логарифмическую зависимость сложности от числа частиц
    • Это согласуется с теорией масштабирования в многочастичных системах
    • Насыщение при больших N (через фактор N_Q) соответствует физическим ожиданиям

Выводы

Формула объединяет результаты более чем 50 лет исследований в области:

• Квантовой механики и теории измерений
• Термодинамики информации
• Статистической физики многочастичных систем
• Экспериментальной квантовой физики

Все компоненты уравнения имеют четкое физическое обоснование и согласуются с экспериментальными данными для различных типов физических систем.

Валидация результатов

Для проверки согласованности результатов симуляций с последними исследованиями используйте скрипт валидации:

python validate_results.py

Скрипт выполняет:

• Сравнение с экспериментальными данными для различных типов систем
• Анализ влияния различных факторов (сложность, декогеренция, шум)
• Сравнение с теоретическими пределами
• Генерацию отчета о валидации

Ключевые выводы валидации:

• ✅ Порядки величин согласуются с экспериментальными данными
• ✅ Времена измерения находятся в физически разумных диапазонах (наносекунды - миллисекунды)
• ✅ Влияние декогеренции и шума учтено корректно
• ✅ Все физические пределы (квантовый, Ландауэра, технический) учтены
• ⚠️ Модель предсказывает минимальное теоретическое время; экспериментальные данные могут включать дополнительные этапы (подготовка состояния, обработка сигнала)

Подробный отчет о валидации сохраняется в results/validation_report.md.

Пакет поддерживает:

• Симуляцию различных физических систем (фермионы, бозоны, классические)
• Учет декогеренции (T1, T2)
• Моделирование различных источников шума
• GPU-ускорение через CuPy (опционально)
• Векторизованные вычисления для больших объемов данных
• Экспорт результатов в текстовые файлы
• Оптимизации производительности:
  • JIT-компиляция с Numba (2-5x ускорение)
  • Кеширование и мемоизация
  • Автоматический выбор CPU/GPU режима
  • Chunked processing для больших датасетов

Установка

Базовая установка

pip install measurement-time-simulator

С поддержкой GPU (опционально)

pip install measurement-time-simulator[gpu]

Для GPU требуется установленный CUDA и соответствующие драйверы.

Установка из исходников

git clone https://github.com/yourusername/measurement-time-simulator.git
cd measurement-time-simulator
pip install -e .

Быстрый старт

from measurement_time_simulator import GPUInformationMeasurementSimulator

# Создание симулятора
sim = GPUInformationMeasurementSimulator(temperature=300.0, use_gpu=True)

# Симуляция одиночной системы
measurement_time, results = sim.simulate_single_system(
    delta_I=1.0,        # Количество информации (бит)
    T_c=100.0,          # Критическая температура (K)
    N=1000.0,           # Число частиц
    stats_type=0,       # 0=фермион, 1=бозон, 2=классический
    T_F=5000.0          # Температура Ферми (для фермионов)
)

print(f"Минимальное время измерения: {measurement_time:.3e} с")

Запуск симуляции

Базовый запуск

Самый простой способ запустить симуляцию — использовать метод simulate_single_system():

from measurement_time_simulator import GPUInformationMeasurementSimulator

# 1. Создайте экземпляр симулятора
sim = GPUInformationMeasurementSimulator(
    temperature=300.0,  # Температура системы в Кельвинах
    use_gpu=True        # Использовать GPU если доступен
)

# 2. Запустите симуляцию
measurement_time, results = sim.simulate_single_system(
    delta_I=1.0,        # Количество информации (бит)
    T_c=100.0,          # Критическая температура (K)
    N=1000.0,           # Число частиц
    stats_type=0        # 0=фермион, 1=бозон, 2=классический
)

# 3. Результаты
print(f"Время измерения: {measurement_time:.3e} с")
print(f"Результаты сохранены в: {results}")  # Путь к файлу в директории results/

Примечание: Все результаты автоматически сохраняются в директорию results/. Директория создается автоматически при первом запуске симуляции.

Параметры симуляции

Обязательные параметры

• delta_I (float): Количество информации, которое необходимо измерить (в битах)
• T_c (float): Критическая температура системы (в Кельвинах)
• N (float): Число частиц в системе
• stats_type (int): Тип статистики частиц
  • 0 — фермионы (например, электроны)
  • 1 — бозоны (например, фотоны, атомы)
  • 2 — классические частицы

Дополнительные параметры для фермионов

measurement_time, results = sim.simulate_single_system(
    delta_I=1.0,
    T_c=100.0,
    N=10000.0,
    stats_type=0,       # Фермионы
    T_F=10000.0         # Температура Ферми (обязательно для фермионов)
)

Дополнительные параметры для бозонов

measurement_time, results = sim.simulate_single_system(
    delta_I=1.0,
    T_c=0.1,
    N=100000.0,
    stats_type=1,       # Бозоны
    T_c_bose=0.1        # Температура конденсации Бозе-Эйнштейна
)

Параметры взаимодействия и корреляций

measurement_time, results = sim.simulate_single_system(
    delta_I=16.0,
    T_c=50.0,
    N=1000.0,
    stats_type=0,
    T_F=5000.0,
    U=0.8,              # Энергия взаимодействия
    W=1.0,              # Ширина зоны
    T_star=100.0,       # Характерная температура
    m_star=1.2,         # Эффективная масса
    m=1.0,              # Масса частицы
    delta_E=1e-20       # Минимальная энергия (Дж)
)

Симуляция с декогеренцией и шумом

Для более реалистичных результатов включите декогеренцию и шум:

measurement_time, results = sim.simulate_single_system(
    delta_I=8.0,
    T_c=100.0,
    N=10000.0,
    stats_type=0,
    T_F=10000.0,
    
    # Параметры декогеренции
    T1=1e-3,            # Время релаксации (1 мс)
    T2=1e-4,            # Время дефазировки (100 мкс)
    include_decoherence=True,
    
    # Параметры шума
    noise_temperature=1.0,      # Эффективная температура шума (K)
    shot_noise_factor=0.1,      # Фактор дробового шума
    technical_noise=0.02,       # Технический шум (2%)
    include_noise=True,
    
    # Опционально: дополнительные источники шума
    flicker_noise_factor=0.05,      # 1/f шум (фликкер-шум)
    quantum_noise_factor=0.02,      # Квантовый шум
    environment_noise_factor=0.03,  # Шум окружения
)

Векторизованные вычисления (batch mode)

Для симуляции множества систем одновременно используйте main_equation_batch():

import numpy as np
from measurement_time_simulator import GPUInformationMeasurementSimulator

sim = GPUInformationMeasurementSimulator(temperature=300.0, use_gpu=True)

# Подготовка данных для 10000 систем
n_points = 10000
delta_I_array = np.full(n_points, 1.0)
T_c_array = np.random.uniform(10, 1000, n_points)
N_array = np.random.lognormal(10, 2, n_points)
stats_type_array = np.random.choice([0, 1, 2], n_points)
T_F_array = np.random.uniform(100, 10000, n_points)

# Запуск симуляции
min_times = sim.main_equation_batch(
    delta_I_array=delta_I_array,
    T_c_array=T_c_array,
    N_array=N_array,
    stats_type_array=stats_type_array,
    T_F_array=T_F_array,
    include_decoherence=True,
    include_noise=True
)

# Анализ результатов
print(f"Рассчитано {len(min_times)} систем")
print(f"Минимальное время: {np.min(min_times):.3e} с")
print(f"Максимальное время: {np.max(min_times):.3e} с")
print(f"Среднее время: {np.mean(min_times):.3e} с")
print(f"Медианное время: {np.median(min_times):.3e} с")

Сохранение результатов без автоматического экспорта

Если вы хотите получить результаты в виде словаря без сохранения в файл:

measurement_time, results_dict = sim.simulate_single_system(
    delta_I=1.0,
    T_c=100.0,
    N=1000.0,
    stats_type=0,
    T_F=5000.0,
    export_results=False  # Не сохранять в файл
)

# results_dict содержит полную информацию о симуляции
print(f"Время измерения: {results_dict['min_measurement_time']:.3e} с")
print(f"Сложность системы: {results_dict['gamma_factors']['total']:.3f}")
print(f"Фактор декогеренции: {results_dict['decoherence']['factor']:.3f}")
print(f"Фактор шума: {results_dict['noise']['factor']:.3f}")

Ручной экспорт результатов

Вы можете экспортировать результаты вручную. Все результаты автоматически сохраняются в директорию results/:

from measurement_time_simulator import ResultExporter

# Получить результаты
measurement_time, results_dict = sim.simulate_single_system(
    delta_I=1.0,
    T_c=100.0,
    N=1000.0,
    stats_type=0,
    T_F=5000.0,
    export_results=False
)

# Экспортировать в текстовый файл
# Файл будет автоматически сохранен в директорию results/
exporter = ResultExporter()
filename = exporter.export_to_text(
    results_dict,
    filename="my_simulation_results.txt",  # Будет сохранен как results/my_simulation_results.txt
    format_type="detailed"  # или "summary" для краткого отчета
)
print(f"Результаты сохранены в: {filename}")

Примечание: Все результаты симуляций автоматически сохраняются в директорию results/. Директория создается автоматически при первом запуске симуляции.

Пример полного скрипта

Полный пример скрипта доступен в файле example_simulation.py.

Запуск:

python example_simulation.py

Скрипт включает:

• Инициализацию симулятора
• Настройку параметров системы
• Запуск симуляции с учетом декогеренции и шума
• Вывод подробных результатов
• Опциональный пример векторизованной симуляции

См. файл example_simulation.py для полного кода с комментариями.

Советы по использованию

1. Выбор режима GPU/CPU:

   • Для небольших расчетов (< 1000 систем) CPU может быть быстрее из-за накладных расходов на GPU
   • Для больших расчетов (> 10000 систем) GPU значительно ускоряет вычисления

2. Оптимизация параметров:

   • Начните с простых параметров (без декогеренции и шума)
   • Постепенно добавляйте сложность для понимания влияния каждого фактора

3. Работа с результатами:

   • Все результаты автоматически сохраняются в директорию results/
   • Используйте export_results=False для программной обработки результатов
   • Используйте export_results=True (по умолчанию) для получения подробных отчетов
   • Директория results/ создается автоматически при первом запуске

4. Производительность:

   • Для множественных симуляций используйте main_equation_batch() вместо циклов
   • Векторизованные вычисления значительно быстрее

Примеры использования

Векторизованные вычисления

import numpy as np
from measurement_time_simulator import GPUInformationMeasurementSimulator

sim = GPUInformationMeasurementSimulator(temperature=300.0, use_gpu=True)

# Массивы параметров для множества систем
n_points = 10000
delta_I_array = np.full(n_points, 1.0)
T_c_array = np.random.uniform(10, 1000, n_points)
N_array = np.random.lognormal(10, 2, n_points)
stats_type_array = np.random.choice([0, 1, 2], n_points)

# Векторизованный расчет
min_times = sim.main_equation_batch(
    delta_I_array=delta_I_array,
    T_c_array=T_c_array,
    N_array=N_array,
    stats_type_array=stats_type_array
)

print(f"Рассчитано {len(min_times)} систем")
print(f"Среднее время: {np.mean(min_times):.3e} с")

С учетом декогеренции и шума

from measurement_time_simulator import GPUInformationMeasurementSimulator

sim = GPUInformationMeasurementSimulator(temperature=300.0)

measurement_time, results = sim.simulate_single_system(
    delta_I=8.0,
    T_c=100.0,
    N=10000.0,
    stats_type=0,
    T_F=10000.0,
    T1=1e-3,              # Время релаксации (1 мс)
    T2=1e-4,              # Время дефазировки (100 мкс)
    noise_temperature=1.0, # Эффективная температура шума
    shot_noise_factor=0.1,
    technical_noise=0.02,
    include_decoherence=True,
    include_noise=True
)

API Документация

Основные классы

GPUInformationMeasurementSimulator

Основной класс для симуляции времени измерения.

Параметры инициализации:

• temperature (float): Температура системы в Кельвинах (по умолчанию 300.0)
• use_gpu (bool): Использовать GPU если доступен (по умолчанию True)
• suppress_logging (bool): Подавить логирование при инициализации (по умолчанию False)

Основные методы:

• simulate_single_system(...): Симуляция одиночной системы
• main_equation_batch(...): Векторизованный расчет для массивов
• gamma_total_batch(...): Расчет фактора сложности системы

ResultExporter

Класс для экспорта результатов симуляции.

Методы:

• export_to_text(results, filename, format_type): Экспорт в текстовый файл
• export_comparison(systems_data, filename): Экспорт сравнения систем

Зависимости

• Обязательные:

  • numpy >= 1.19.0

• Опциональные (для оптимизации):

  • cupy (для GPU вычислений) - рекомендуется для >10,000 систем
  • numba (для JIT компиляции) - рекомендуется для всех пользователей

Производительность

См. OPTIMIZATIONS.md для деталей по оптимизациям.

Типичная производительность (CPU: Intel i7):

• Одиночная система: ~5ms
• 100 систем (batch): ~50ms
• 1,000 систем: ~450ms
• 10,000 систем: ~4.2s (CPU) или ~650ms (GPU)

Запуск бенчмарков:

python benchmarks/benchmark_simulator.py

CI/CD Pipeline

Проект использует GitHub Actions для CI/CD:

• ✅ Автоматическое тестирование на Python 3.8-3.11
• ✅ Проверка кода (black, flake8, mypy)
• ✅ Измерение покрытия тестами
• ✅ Автоматическая публикация в PyPI при релизе
• ✅ Бенчмарки производительности

См. .github/workflows/ для деталей.

Лицензия

MIT License

Авторы

Measurement Time Simulator Team

Поддержка

Если у вас возникли вопросы или проблемы, пожалуйста, создайте issue на GitHub.