Classical limit of measurement-induced transition in many-body chaos in integrable and non-integrable oscillator chains
Auteurs : Sibaram Ruidas, Sumilan Banerjee
Résumé : We discuss the dynamics of integrable and non-integrable chains of coupled oscillators under continuous weak position measurements in the semiclassical limit. We show that, in this limit, the dynamics is described by a standard stochastic Langevin equation, and a measurement-induced transition appears as a noise- and dissipation-induced chaotic-to-non-chaotic transition akin to stochastic synchronization. In the non-integrable chain of anharmonically coupled oscillators, we show that the temporal growth and the ballistic light-cone spread of a classical out-of-time correlator characterized by the Lyapunov exponent and the butterfly velocity, are halted above a noise or below an interaction strength. The Lyapunov exponent and the butterfly velocity both act like order parameter, vanishing in the non-chaotic phase. In addition, the butterfly velocity exhibits a critical finite size scaling. For the integrable model we consider the classical Toda chain, and show that the Lyapunov exponent changes non-monotonically with the noise strength, vanishing at the zero noise limit and above a critical noise, with a maximum at an intermediate noise strength. The butterfly velocity in the Toda chain shows a singular behaviour approaching the integrable limit of zero noise strength.
Explorez l'arbre d'article
Cliquez sur les nœuds de l'arborescence pour être redirigé vers un article donné et accéder à leurs résumés et assistant virtuel
Recherchez des articles similaires (en version bêta)
En cliquant sur le bouton ci-dessus, notre algorithme analysera tous les articles de notre base de données pour trouver le plus proche en fonction du contenu des articles complets et pas seulement des métadonnées. Veuillez noter que cela ne fonctionne que pour les articles pour lesquels nous avons généré des résumés et que vous pouvez le réexécuter de temps en temps pour obtenir un résultat plus précis pendant que notre base de données s'agrandit.