如果用神经网络分类处于纠缠态的一对粒子？

制作一个网络用来区分成纠缠状态的粒子，让自旋向上的粒子向（1，0）收敛，让自旋向下的粒子向（0，1）收敛。

然后用这个网络来分类。

可以想象这个网络的分类准确率应该是等于50%。因为没有测定之前无法知道那个粒子是向上自旋或者向下自旋，所以向上和向下的概率都是50%，而无论测出来的是向上自旋还是向下自旋都只能猜对一半。也就是存在正面反面都朝上的硬币。

也就是存在一种物质的状态是可分类但不可被分辨。也就是存在一种物质他们永远可以被分成两个独立的对象，但是永远也不知道具体哪个是哪个。

将这个想象进一步引申，可以按照可被分类和可被分辨将物质分成至少3种状态

不可被分类	不可被分辨	同一个对象	超距的
可被分类	不可被分辨	纠缠的粒子对	超距的
可被分类	可被分辨	不同的对象	定域的

比如可以将同一个对象理解成是由两个完全相同的对象构成的，这两个完全相同的对象当然既不可被分类。如果用两个完全相同的对象训练神经网络迭代次数将是无限大，也不可被分辨，因为他们没有差别。

而一对纠缠的粒子对他们彼此之间是有差别的可以被分类，可以用有限的迭代次数用他们训练神经网络。但是因为他们之间的差别不够丰富。网络的分辨能力永远是定值比如50%。

对于不同的对象他们可以用有限的迭代次数完成网络的训练，又因为彼此差异足够丰富可以相对精确的被分辨。

 

如果两个对象分类的准确率是50%，意味着没有办法区别他们。比如如果就是自然界本身也无法区分处于纠缠状态的一对粒子，作用到一个粒子上的力就只能被另一个粒子分担因为无法区分。就像作用在一个粒子上一样，是超距的。

而只有既可以被分类又可以被分辨的两个对象才满足定域性要求。

在《二分类2x2对角矩阵准确率表达式汇总》从实验上证明了一类特殊的对角矩阵的分辨准确率满足线性函数可用于构造准确率50%的网络。

 

r1	r2
<1	<1	吸引子	c
>1	>1	排斥子	p
>1	<1	鞍点	a
<1	>1	反鞍点	fa

 

 吸引子和鞍点分类

d2（c，a）-4-4-2-（2*k）,k∈{0,1}得到准确率表达式

排斥子和吸引子分类

d2（p，c）-4-4-2-（2*k）,k∈{0,1}的准确率表达式

排斥子和鞍点分类

d2（p，a）-4-4-2-（2*k）,k∈{0,1}的准确率表达式

因此得到这3组数据

p	c	0.2556	1
p	a	0.959284	0.864343
c	a	0.799758	0.939178

 

经过观察发现

 

进一步整理这3个等式