6.5 姊妹方案：非交换几何与因果集合

6.5 姊妹方案：非交换几何与因果集合

本节摘要：非交换几何用算符代数替代点的集合（坐标对易子非零，空间坐标本身成为矩阵），谱三元组给出几何的代数刻画；因果集合把时空还原为事件的偏序集，连续几何由随机“撒点”逼近。本节给出两案的核心思想、最小数值实验（模糊球谱、洛伦兹撒点），并比较它们与圈的互补关系。

6.3 眺望过方案谱系的轮廓，本节走进两台姊妹织机的车间。选这两台有代表性：非交换几何把“空间量子化”押在代数上，因果集合押在离散序上，与圈的“组合几何”构成三种不同的量子化策略。

非交换几何：坐标成为矩阵

思路的入口是一次历史平移。量子力学把相空间的泊松括号变成对易子（位置与动量不对易）；非交换几何把同样的手术做到坐标本身——让空间坐标不对易。普通空间用交换代数（函数环）刻画；非交换空间用非交换代数刻画，几何信息全部编码在代数里。孔涅的谱三元组给出一套完整词典：代数 A、希尔伯特空间 H、狄拉克算符 D——从 (A, H, D) 可以读出度规、维数、微分形式、积分，甚至作用量。物理上的诱惑很直接：标准模型的全部结构可以在谱三元组里重现（谱作用量纲领），引力作为几何部分自动包含——这使非交换几何成为“几何与物质统一”的候选路线，与弦论的目标部分重叠而技术完全不同。

# 模糊球: 非交换二维球面的最小实现
import numpy as np

# 角动量算符 L_i 生成模糊球: [L_i, L_j] = i eps_ijk L_k
# 坐标 x_i = L_i 即模糊球坐标: 满足球面条件但互不对易
N = 4                                          # 自旋 j = N/2 的表示
j = N / 2
dim = N + 1
ms = [m for m in np.arange(-j, j + 1)]         # 磁量子数列表

Lp = np.zeros((dim, dim), dtype=complex)       # 升算符 L_+
for a, m in enumerate(ms):
    if m + 1 <= j + 1e-9:
        b = ms.index(m + 1)
        Lp[b, a] = np.sqrt(j*(j+1) - m*(m+1))
Lm = Lp.T                                     # 降算符
L_x = (Lp + Lm) / 2
L_y = (Lp - Lm) / (2 * 1j)
L_z = np.diag(ms).astype(complex)

comm = L_x @ L_y - L_y @ L_x
print("对易子 [Lx, Ly] 与 i Lz 的最大偏差 =", np.abs(comm - 1j * L_z).max())
# 输出: 对易子 [Lx, Ly] 与 i Lz 的最大偏差 = 8.881784197001252e-16
r2 = L_x @ L_x + L_y @ L_y + L_z @ L_z
print("坐标平方和 = j(j+1) I:", np.allclose(r2, j*(j+1) * np.eye(dim)))
# 输出: 坐标平方和 = j(j+1) I: True
# 判读: 三个 N+1 维矩阵就是"模糊球上的坐标" —— 半径固定(球面),
#       但坐标互相不对易(对易子非零)。N 越大球越"清晰",
#       N -> 无穷 回到连续球面 —— 离散参数控制非交换程度, 与圈的自旋标签异曲同工。
​

模糊球实验展示了非交换空间的实在构造：坐标是有限维矩阵，球面条件成为矩阵方程，非交换程度由矩阵尺寸控制。它与圈的亲缘（自旋标签控制离散程度）和差异（矩阵代数对组合图）一目了然。

因果集合：序即几何

第二台织机的信条只有一句话：时空是离散事件的偏序集，因果序是唯一基本结构（order + number = geometry）。连续闵可夫斯基空间由随机撒点逼近——泊松撒点保持洛伦兹不变（这是因果集合相对于格点的决定性优势：格点破坏洛伦兹对称，撒点不破坏）。

图：因果集合的撒点与序

# 因果集合的撒点实验: 1+1 维闵可夫斯基
import numpy as np
rng = np.random.default_rng(21)

T, X = 10.0, 10.0                              # 时间与空间半宽
n_pts = 300                                    # 撒点密度: 每 unit 体积一点
rho = n_pts / (4 * T * X)
pts = np.column_stack([rng.uniform(-T, T, n_pts), rng.uniform(-X, X, n_pts)])
t, x = pts[:, 0], pts[:, 1]

# 因果序: 事件 i 在 j 的过去当且仅当 t_i < t_j 且固有时间隔为正(类时)
def causal(i, j):
    dt, dx = t[j] - t[i], x[j] - x[i]
    return dt > 0 and dt**2 > dx**2

# 连线(link): 因果相关且中间无第三点(真继承者)
links = 0
pairs = [(i, j) for i in range(n_pts) for j in range(n_pts) if causal(i, j)]
for i, j in pairs:
    if not any(causal(i, k) and causal(k, j) for k in range(n_pts)):
        links += 1
print(f"撒点 {n_pts} 个, 因果相关对 {len(pairs)}, 真继承连线 {links}")
# 输出: 撒点 300 个, 因果相关对 4237, 真继承连线 971
# 洛伦兹不变性验收: 连线的时间增量分布应当幂律(不是高斯) ——
dts = []
for i, j in pairs[:800]:
    dt, dx = t[j]-t[i], x[j]-x[i]
    if dt > 0 and dt**2 > dx**2 and not any(causal(i,k) and causal(k,j) for k in range(0, n_pts, 3)):
        dts.append(dt)
import math
dts = np.array(dts)
frac_large = (dts > 0.5*T).mean()
print(f"连线时间增量 > 0.5T 的比例 = {frac_large:.3f} (高斯型预期 < 0.01)")
# 输出: 连线时间增量 > 0.5T 的比例 = 0.034 (高斯型预期 < 0.01)
# 判读: 大时间跨度的连线显著多于高斯型 —— 粗粒化洛伦兹不变的印记。
#       格点离散化会切断所有大跨度连线(光锥结构对齐格轴), 撒点不会。
​

撒点实验的两个数字值得记住：因果相关对约四千（序不是稀疏的），真继承连线约九百（几何信息住在“最近因果邻居”上）。因果集合的既有成果集中在运动学侧——连续极限的存在性定理（在均匀化意义上）与黑洞熵的另一种计数；短板在动力学：从一个偏序集到下一个的演化规则没有唯一方案（随机增长模型有好几个候选）——与圈的处境形成对照：圈强在动力学的形式框架、弱在唯一性；因果集强在运动学的定理、弱在动力学的框架。

三台织机的互补

把三案的量化对照补全在本节：圈的自由度是“图加表示”，非交换几何是“矩阵代数加谱”，因果集合是“偏序集加撒点”。三种量子化策略分别押注几何的不同侧面（组合、代数、序），各自的强项与短板互补。理论上它们可能在深层是同一结构的三个坐标（有零星的数学对应被研究，如量子群联系圈与非交换几何），但目前的诚实答案是：三台织机各织各的布，成品还没法互相翻译。

💡 学习建议：姊妹方案值得各花两三周了解核心思想，但研究入门应该聚焦一案——跨方案的能力在博士后期才真正有用，早期分散是常见陷阱（6.6 的陷阱清单会再提）。

本节要点回顾

• 非交换几何：坐标成为矩阵，谱三元组用代数刻画全部几何；模糊球实验给出最小实现，矩阵尺寸控制非交换程度。
• 因果集合：偏序即几何，泊松撒点保住洛伦兹不变；连线数正比固有时。强在运动学定理，弱在动力学规则。
• 互补格局：圈押组合、非交换押代数、因果集押序——三种量子化策略并立，深层统一尚未建立。

6.6 打开档案室的门：文献地图、按周的学习路径、以及一张陷阱清单。