目 录
1. 黑洞热力学启发量子统计新进展
2. 经典/量子随机性需重新定义？
3. 最佳学习的85分法则
4. 淋巴系统或成脱发治疗突破口
5. 3D设备新突破：将图像直接投射到视网膜上
编辑 | 杨凌、董唯元、韩若冰、陈航
黑洞热力学启发量子统计新进展
初次接触热力学和统计物理的同学，一定对“系综（ensemble）”这个概念既熟悉又陌生。生活中没人怀疑同时扔100颗骰子，必然等效于1颗骰子反复扔100次，但是复杂些的情况下，以数量换时间的严谨性却未必那么显然。科学家们绝不会贸然相信一个人100年中的平均饭量，就等于随机抓100个人在同一年里的饭量。于是乎，遍历性假设等约束条件，就被加入到各类统计理论中，并围绕着这类问题展开了经久不息的讨论和探索，直至如今。
当统计理论与反直觉的量子系统遭遇，约束条件的问题就变得更加棘手。20多年前，一些忍无可忍的科学家干脆放弃了与遍历性假设的搏斗，转而采用更物理的视角研究量子统计问题。这就是在凝聚态和材料科学领域，出镜率颇高的“本征态热化假设（Eigenstate Thermalization Hypothesis，ETH）”，一个依靠传统热力学和量子力学的矩阵计算便可轻松得出结果的套路方法。但是ETH本身的严谨性，一直以来仍缺乏彻底的解决，甚至少有基础理论工作者深度涉足这一问题。
不久前，美国肯塔基大学的Anatoly Dymarsky和俄罗斯斯科尔科沃创新中心的Kirill Pavlenko，发表了他们在这一问题上的初步进展[1]。两位研究者巧妙的使用了近来黑洞热力学所催生的新式理论工具，使2维共形场中的多体量子系统可以借助某些对称性，自然涌现出ETH条件。
研究结果还表明，通过AdS/CFT对偶关系，2维共形场中量子系统的这些热力学性质，刚好对应于3维反德西特空间中BTZ黑洞的热力学性质。那些原本显得有些古怪的负比热、负温度等特性，甚至黑洞软毛[2]的存在，居然都可以从量子系统的普通性质中得以阐释。
Dymarsky教授及其团队的成果不仅可以作为解决ETH严谨性问题的新途径，指引后续研究沿此方向深入探索，同时也侧面揭示出引力理论、量子理论、热力学这三者之间尚未完全知晓的某些深刻内在联系。对这些神秘领域的研究，无疑将有助于揭开黑洞热力学的诸多谜团，甚至为最终引力与量子理论的统一提供重要线索。
[1] Dymarsky A, Pavlenko K. Generalized Eigenstate Thermalization Hypothesis in 2D Conformal Field Theories[J]. Physical Review Letters, 2019, 123(11): 111602.
[2] 所谓黑洞软毛，就是霍金最后一篇论文（发表于霍金去世一周年左右）所论述的，黑洞辐射中所携带的，只在量子尺度可探测的信息。
经典/量子随机性需重新定义？
随机比特序列是现代生活中各种任务的关键组成部分，尤其是在安全通信领域中。随机比特序列的数学定义非常简单，概括来说，一个比特序列，无论前面的比特序列是什么，它的下一个比特为0或1的概率都应为50%。随机比特序列的实现过程至关重要。例如，在安全通信中，为了防止黑客预测比特流，必须通过随机手段对信息进行处理。然而，《欧洲物理学快报》近期发表的一项研究显示[1]，无论是经典系统还是量子系统，要想生成真正的随机比特序列，都是一项不可能完成的任务。
首先，研究人员提供一串比特流，经过美国国家标准与技术研究所 (NIST) 认证后证实该比特流满足现今对随机性的验证标准。随后，研究人员将很大一部分非随机比特序列系统地嵌入到该比特流中。实验证实，经过非随机比特序列嵌入的比特流同样经过了NIST的随机性认证。这意味着哪怕比特序列经过现有随机性验证测试，也无法证实该比特序列真正具备随机性。这项实验对测量经典和量子随机性的验证方式提出了质疑。
文章的主要作者表示，“根据量子物理的基本原理，量子随机比特发生器的随机性理论上是完美的。然而实际上，这种完美的量子随机性可能会被许多实验缺陷所削弱。因此，由量子数发生器产生的序列最终必须通过各种统计测试，如NIST等进行验证。然而这项新发现的结果显示，也许需要我们重新思考当前对经典和量子系统随机性的定量定义，以及需要对量子方法产生的序列随机性进行重新度量”。
[1] Sardi S, Uzan H, Otmazgin S, et al. Embedding information in physically generated random bit sequences while maintaining certified randomness[J]. arXiv preprint arXiv:1911.00001, 2019.
最佳学习的85分法则
当试图学习新东西的时候，失败是常有的。但失败的占比应该是多少？一项亚利桑那大学主导的研究给出了答案。
教育工作者一向认为在学习新东西的过程中有一个“甜点”（sweet spot）。意思是当我们试图在已掌握的知识体系之外领会新东西的时候，这才是最优的学习。当一项学习挑战太简单，我们学不到新东西；但当一项学习挑战太困难，我们由于过多失败或者直接放弃也学不到新东西。
那么学习的“甜点”在哪里呢？最新的《自然通讯》杂志刊登的最新研究表明[1]，当失败的占比是15%，也就是说100道题目答对85道时，这就是“甜点”。
亚利桑那大学心理学助理教授Robert Wilson说：“在教育领域的渐进困难区域里每个人都希望最大化自己的学习，而我们把这种最大化量化了，这就是学习的85分规则。”
Wilson与来自布朗大学、加利福尼亚大学洛杉矶分校、普林斯顿大学的合作者们进行了一系列的二分类机器学习实验，来教会电脑完成简单任务，比如把不同图样分为1到2个类别，或者把手写的数字按照奇数/偶数分开，或者是区分数字的大小等简单任务。当把机器学习的准确度设置为85%的时候，电脑学习的速度是最快的。Wilson说：“当你把错误率设置为15%，或者要求正确率在85%，你的学习速度达到了最优。”
当研究者回顾之前的动物学习实验时，他们发现85%的规则同样适用。
Wilson认为，对于感知类学习，例如放射科医生学习分辨有肿瘤和没有肿瘤的映像时，85分规则应该同样适用。在这类学习中我们从经验和样本中逐渐获得知识。医生日复一日地看图像，提高对肿瘤图片的识别能力，这需要经验和样本。如果给的样本很简单，医生每次都得到100%的准确性，那么他什么新东西也没有学到。若样本太难了，比如医生只获得50%的准确性，那么他也什么新东西没有学到。当样本难易程度在这之间的时候，医生就可以获得学习的“甜点”，也就是从样本中获得最大化的知识。
虽然Wilson和他的合作者们只是研究了简单的二分类任务，但Wilson认为这一研究值得在其他教育领域里继续探索。Wilson 表示，“希望我们能把这项研究扩展到更复杂的学习模式中。”
[1] Wilson R C, Shenhav A, Straccia M, et al. The Eighty Five Percent Rule for Optimal Learning[J]. bioRxiv, 2018: 255182.
淋巴系统或成脱发治疗突破口
考虑到每天的磨损量，皮肤的再生能力堪称惊人。皮肤中散布着小规模的干细胞储备，它们存在于一种支持性的微环境中[1]，从而对皮肤修复过程保持严格控制。过程中产生的组织过多可能会导致癌症等问题，而组织过少则会加速衰老。
此前，科学家并不确定干细胞是否可以通过重塑自身微环境来指导其他干细胞形成新皮肤。然而，由美国洛克菲勒大学Elaine Fuchs教授领导并发表在《科学》杂志的新研究表明[2]，干细胞确实可以影响组织再生。这项研究发现了一种分子协调工具，干细胞可利用这种工具在微环境之间发送信号。
研究人员还发现了干细胞微环境的新组成部分：毛细淋巴管，可运输免疫细胞并从组织中排出多余的液体和毒素。研究表明，这些毛细淋巴管在每个毛囊内的干细胞微环境周围形成了紧密的网络，从而将所有微环境连结在一起。
研究人员通过将皮肤透明化处理，揭示了这种管网的复杂结构。
科学家还发现，通过分泌上文提到的作为引流开关的分子，毛囊干细胞得以控制毛细淋巴管的行为，进而控制周围环境中的液体和细胞组成，并最终使整个组织的再生同步发生。
Fuchs教授说：“淋巴系统对该过程的参与是一个新概念，这可能为包括伤口愈合缺陷和脱发在内的淋巴相关疾病提供新的治疗靶点。”
[1] 注：干细胞niche似乎尚无统一翻译，有称“干细胞巢”、“干细胞龛”等，本文采用“干细胞微环境”
[2] Gur-Cohen S, Yang H, Baksh S C, et al. Stem cell–driven lymphatic remodeling coordinates tissue regeneration[J]. Science, 2019.
3D设备新突破：将图像直接投射到视网膜上
传统3D设备存在的各种人机交互问题，如“眩晕恶心、视疲劳、用户不能准确估算深度”等一直被人所诟病。近期，剑桥大学初大平团队联合华为慕尼黑研究中心的工程师们，为解决这一问题提供了一种新的3D显示方案。他们采用随时聚焦显示的方式，使得该方案的计算机数据处理速度比通常的全息3D显示快了三个数量级。目前，该研究已在 Research 杂志发表[1, 2]。
3D图像的逼真显示是一种极具挑战性的问题。大多数3D显示基于双目视差原理，通过对每只眼睛呈现不同的图像，使大脑误以为看到了3D效果，但是大脑还可以通过很多其他线索来探测深度，比如看清物体所需的焦点数量（调焦）。因此，基于双目视差原理的3D显示会给用户呈现相矛盾的深度线索信息，从而引起眩晕、恶心、视疲劳、用户不能准确估算深度等问题。虽然利用全息图和光场相机原理等可抑制上述问题，但由此带来的海量图片的信息处理，给现代计算机造成了巨大压力。
基于此，剑桥大学的科学家们联合华为慕尼黑研究中心的工程师们，根据150多年前英国物理学家麦克斯韦提出的原理构建了一种新的3D显示解决方案。该方案把每一个像素转化为一个薄型完全平行的光束，将其投映到用户的视网膜上。由于像素光束太薄，几乎完全不受人眼晶状体的影响，因此无论用户聚焦到哪里，该方案都有可能保证所产生的图像是清晰的。同时，该方案是随时聚焦显示，它所要求的信息率在每眼每帧上只有一个图像，使得现代计算机容易进行运算处理，所以在速度上比全息3D展示快了三个数量级。
该方案的研究者表示，目前设计的原型机体型还过于庞大，因此在打造第二代产品时，研究者将致力于提高性能（如同时拥有两倍的视场）和小型化（如一副眼镜那样小巧轻盈）指标。
[1] 注：本文转载自公众号：Research科学研究
[2] Shrestha P K, Pryn M J, Jia J, et al. Accommodation-Free Head Mounted Display with Comfortable 3D Perception and an Enlarged Eye-box[J]. Research, 2019, 2019: 9273723.
特 别 提 示
《返朴》，科学家领航的好科普。国际著名物理学家文小刚与生物学家颜宁共同出任总编辑，与数十位不同领域一流学者组成的编委会一起，与你共同求索。关注《返朴》参与更多讨论。二次转载或合作请联系返朴后台。
