神经信息因果性
查询分离的计算迫使表示（representation）承担一种操作角色：数据在查询已知之前被编码，后续的解码器只能通过中间接口进行应答。在这种机制下，表示的功能相当于一条消息，而不仅仅是一张特征图。该团队通过将信息因果性（information causality, IC）嵌入表示学习，形式化了这一观察，从而得到了一个称为神经信息因果性（Neural-IC）的框架。修正后的公式将两个逻辑上不同的陈述区分开来。首先，每个查询分离的架构都会诱发一个随机存取通信实验，并遵循嵌入不等式 I N - RAC ≤ I(a→:H,B)。其次，任何独立认证的接口物理容量界限，例如硬 m 比特字母表、有限精度寄存器或功率受限的噪声信道，都意味着 I N - RAC ≤ C H。这种分离避免了将容量视为事后定义，并使 Neural-IC 成为查询泄露、精度泄露和特定情节记忆的操作性诊断工具。该团队还提供了一个精确的单比特经典 RAC 基准测试，明确表明相关的量子增强并非瓶颈之外的总信息，而是公平的查询条件访问。对于 CHSH 型相关层，嵌套的 Neural-RAC 协议会跨深度倍增相关偏差；要求任意深度下单比特瓶颈的稳定性，则筛选出 Tsirelson 阈值。该团队将分析扩展到非对称种子偏差、多容量有限深度相图以及通过条件信息得分处理的相关数据。受控模拟（包括直通式二进制瓶颈和故意泄露的消融实验）验证了，表观上的违反现象均可用查询分离被破坏或容量被低估来解释。
