集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织 - 用户贡献 [zh-cn]

不动点

2025-12-14T05:35:17Z

相信未来：建立内容为“不动点”的新页面

不动点

集智百科参与方式

2025-12-14T05:35:04Z

相信未来：/* 词条百科组成员 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]、[[王志鹏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[蓝梓杰]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[郑鸿盛]]、[[徐然]]、[[王志鹏]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|曹雨
|廊坊师范学院软件工程本科生，研究兴趣:复杂科学、人工智能
|[[不动点]]
|2025.12.13
|
|进行中
|-
|2
|蓝梓杰
|佛山大学计算机科学本科生，研究兴趣：因果涌现、机器学习
|[[部分信息分解]]
|2025.11.28
|
|进行中
|-
|3
|黄芸
|上海交通大学计算机专业博士生，研究兴趣：kolmogorov复杂度
|[[Koopman理论]]
|2025.11.09
|
|进行中
|-
|4
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|5
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|6
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|7
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|8
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|9
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|10
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|11
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|12
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|13
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|14
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|15
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|16
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|17
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[Koopman理论]]
|2024.01.01
|
|组内学生
|-
|18
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|19
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]、[[神经网络的有效信息计算]]
|2025.07.01
|
|组内学生
|-
|20
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|21
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|22
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|23
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|24
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|25
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|26
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|27
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|32
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|33
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|34
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|35
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]

集智百科参与方式

2025-12-14T04:27:50Z

相信未来：/* 中级期 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]、[[王志鹏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[蓝梓杰]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[郑鸿盛]]、[[徐然]]、[[王志鹏]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|曹雨
|廊坊师范学院软件工程本科生，研究兴趣:复杂科学、人工智能
|[[部分信息分解]]
|2025.12.13
|
|进行中
|-
|2
|蓝梓杰
|佛山大学计算机科学本科生，研究兴趣：因果涌现、机器学习
|[[部分信息分解]]
|2025.11.28
|
|进行中
|-
|3
|黄芸
|上海交通大学计算机专业博士生，研究兴趣：kolmogorov复杂度
|[[Koopman理论]]
|2025.11.09
|
|进行中
|-
|4
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|5
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|6
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|7
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|8
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|9
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|10
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|11
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|12
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|13
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|14
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|15
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|16
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|17
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[Koopman理论]]
|2024.01.01
|
|组内学生
|-
|18
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|19
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]、[[神经网络的有效信息计算]]
|2025.07.01
|
|组内学生
|-
|20
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|21
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|22
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|23
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|24
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|25
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|26
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|27
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|32
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|33
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|34
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|35
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]

集智百科参与方式

2025-12-14T04:27:32Z

相信未来：/* 初级期 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]、[[王志鹏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[蓝梓杰]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[郑鸿盛]]、[[徐然]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|曹雨
|廊坊师范学院软件工程本科生，研究兴趣:复杂科学、人工智能
|[[部分信息分解]]
|2025.12.13
|
|进行中
|-
|2
|蓝梓杰
|佛山大学计算机科学本科生，研究兴趣：因果涌现、机器学习
|[[部分信息分解]]
|2025.11.28
|
|进行中
|-
|3
|黄芸
|上海交通大学计算机专业博士生，研究兴趣：kolmogorov复杂度
|[[Koopman理论]]
|2025.11.09
|
|进行中
|-
|4
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|5
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|6
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|7
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|8
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|9
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|10
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|11
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|12
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|13
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|14
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|15
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|16
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|17
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[Koopman理论]]
|2024.01.01
|
|组内学生
|-
|18
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|19
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]、[[神经网络的有效信息计算]]
|2025.07.01
|
|组内学生
|-
|20
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|21
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|22
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|23
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|24
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|25
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|26
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|27
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|32
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|33
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|34
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|35
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]

神经网络中的顿悟

2025-12-14T04:23:47Z

相信未来：

神经网络中的顿悟（grokking）指的是，当神经网络在数据集上训练时，即使模型在训练集上已经表现出过拟合的迹象，只要我们持续训练，模型有可能突破一个临界点，从而获得更高的泛化性能。

我们可以用一个简单的例子帮助大家理解顿悟：假如一个小孩在学做数学题，在训练初期，他很快就记住了所有练习题（训练准确率100%），但完全不会做新题（测试准确率几乎是0%）。然而，再经过很长很长时间的训练，他突然灵光一现，测试准确率飙升到100%，他理解了背后的数学规则。这个从“死记硬背”到“真正理解”的突然转变，就被研究者们称为“顿悟”。[[文件:图片一.png|缩略图|顿悟现象的直观展示：训练和验证集上准确率曲线间的上升延迟]]

== 历史 ==

=== 相关基础知识 ===

==== 神经网络的记忆与泛化 ====
神经网络的记忆指对训练数据的拟合能力，可以看作是神经网络“背诵”训练集数据的过程，记忆能使训练误差很低，但若过强会导致过拟合，只抓住噪声与偶然细节；泛化则是把从训练数据中学到的共性规律应用到未见样本上的能力，在验证集表现稳定、误差低。记忆与泛化两者需要平衡：既要有足够容量去拟合数据中存在的真实模式，又要通过正则化、早停、交叉验证等手段抑制过拟合。直观地说，记忆像“背答案”，泛化像“学方法、会举一反三”；实践中人们通常以降低验证误差为目标，避免训练误差下降而验证误差上升的过拟合，也避免训练与验证误差都高的欠拟合。

==== 神经网络中的涌现（Emergent Abilities） ====
顿悟是一种特殊的涌现现象，表现为泛化能力的突然跃升。在大语言模型（LLM）发展时代，神经网络中涌现的概念已经引发了广泛关注。已有研究者系统研究了不同模型的能力差异，将其定义为小型模型不具备、但突然出现在大型模型中的能力特征<ref> {{cite journal|author1=Wei J|author2=Tay Y|author3=Bommasani R|author4=Raffel C|author5=Zoph B|author6=Borgeaud S|author7=Yogatama D|author8=Bosma M|author9=Zhou D|author10=Metzler D|author11=Chi E. H.|author12=Hashimoto T|author13=Vinyals O|author14=Liang P|author15=Dean J|author16=Fedus W.|title=Emergent abilities of large language models|journal=Transactions on Machine Learning Research|year=2022|issn=2835-8856|url=https://openreview.net/forum?id=yzkSU5zdwD}}</ref>。

==== 早停机制（Early Stop） ====
通常情况下，人们在用神经网络构建机器学习模型时，倾向于在过拟合阶段前的某个点停止训练，称作早停机制。这是一种简单有效的正则化方法：在训练过程中持续监控验证集指标（如验证损失或准确率），当该指标在若干轮（耐心值）内不再改善即停止训练，以防模型在训练集上继续降低损失、却在验证集上开始恶化而产生过拟合。

=== 顿悟的发现 ===
OpenAI在ICLR2021数学推理workshop中发布的论文《Grokking: Generalization beyond overfitting on small algorithmic datasets》<ref name="Power_grokking">{{cite journal | author1=Power A | author2=Burda Y | author3=Edwards H | author4=Babuschkin I | author5=Misra V | year=2022 | title=Grokking: Generalization beyond overfitting on small algorithmic datasets | journal=arXiv | volume= | issue= | page= | url=https://arxiv.org/abs/2201.02177 }}</ref>首次引入了神经网络中的顿悟（grokking）概念。而顿悟现象的发现其实源于一个有趣的巧合：当 OpenAI 团队开始探索神经网络如何进行数学运算时，他们使用一个小型 Transformer来进行模加法运算（a+b mod p = c），测试了 Transformer 在未知的a 和 b 组合下能否正确预测答案 c。正如预期，当网络进入过拟合状态时，训练数据的损失接近于零（它开始记住所见内容），而测试数据的损失开始上升，即神经网络没有泛化能力。然而，在一次实验中，负责训练神经网络的那位成员忘记了停止训练，随着继续训练它突然在未见过数据上变得准确，模型已经完全理解了运算规则，测试数据的准确率飙升到 100%。随后，团队使用不同的任务和不同的网络验证了结果，这一发现得到了证实。

== 顿悟的场景 ==

=== 模运算 ===
[[文件:二元运算.png|缩略图|发现顿悟现象的部分二元运算|替代=]]
最初关于模型顿悟的研究大多在transformer执行模运算任务上进行<ref name="Power_grokking" /><ref name=":0">{{cite journal | author1=Nanda N | author2=Chan L | author3=Lieberum T | author4=Smith J | author5=Steinhardt J | year=2023 | title=Progress measures for grokking via mechanistic interpretability | journal=International Conference on Learning Representations (ICLR) | volume= | issue= | page= | url=https://openreview.net/forum?id=9XFSbDPmdW }}</ref>。为什么使用模运算？是因为小型算法数据集在研究神经网络泛化能力方面具有重要作用。通过在这些数据集上进行实验，可以更显著地展现神经网络的泛化能力，因为在数据有限、规则清晰的情况下，模型需要更好地理解数据中的模式和规律才能实现泛化，有助于快速验证顿悟理论和假设，加深对神经网络泛化能力的理解。

数据集由形如<nowiki><math>a \circ b mod p = c</math></nowiki>的方程组成，其中每个元素"<nowiki><math>a</math></nowiki>"、"<nowiki><math>\circ</math></nowiki>"、"<nowiki><math>b</math></nowiki>"、"<nowiki><math>mod</math></nowiki>"、"<nowiki><math>p</math></nowiki>"、"<nowiki><math>=</math></nowiki>"和"<nowiki><math>c</math></nowiki>"均为独立标记。由于通常只有a,b三个变量，所以很多研究只关注a,b与aob的关系，<x><op><y><=><xoy>，其中op是运算符。研究者们已经在多种模运算上验证了顿悟的存在。

=== 其他算法任务 ===
'''群运算：'''Chughtai 等人<ref>{{cite journal | author1=Chughtai B | author2=Chan L | author3=Nanda N | year=2023 | title=A toy model of universality: Reverse engineering how networks learn group operations | journal=International Conference on Machine Learning (ICML), PMLR | volume= | issue= | page= | url= }}</ref>训练MLP模型在阶数为∣G∣=n的有限群上执行群组合运算，发现MLP模型表现出"顿悟"现象。模型输入为有序对 (a,b)（其中a,b∈G），训练目标是预测群元素 c=ab。值得注意的是，Nanda等人<ref name=":0" />提出的任务是该任务的特例——因为模113加法运算等价于 113阶循环群的组合运算。

'''n位k稀疏奇偶校验：'''这是一个典型离散搜索问题。Barak等人<ref>{{cite journal | author1=Barak B | author2=Edelman B | author3=Goel S | author4=Kakade S | author5=Malach E | author6=Zhang C | year=2022 | title=Hidden progress in deep learning: SGD learns parities near the computational limit | journal=Advances in Neural Information Processing Systems | volume=35 | issue= | page=21750–21764 | url= }}</ref>通过大量实验证明，使用标准初始化（均匀、高斯、伯努利）和标准训练（SGD）的各种神经网络架构（包括 2 层 MLP、特定设计的单神经元网络、Transformer、PolyNet），能够在训练步数接近计算极限 n^{O(k)} 的情况下，成功学习 k-稀疏 n 位奇偶函数，即从 n 个比特中找出 k 个关键比特并计算它们的异或作为标签。

2023年，Nanda等人<ref name=":0" />发现有限数据是顿悟现象的必要条件，而无限数据会导致模型直接泛化，并在以下三种运算中证实这一现象：

'''5位数加法：'''该任务输入两个随机生成的5位数（例如 12345 + 67890），模型需预测其和的每一位数字（如 80235 的 8,0,2,3,5）。在1层完整Transformer上，训练数据限制为700个样本时出现顿悟；使用随机生成的无限数据时未出现顿悟。

'''重复子序列预测：'''该任务生成均匀分布的随机符号序列，随机选择子序列进行重复，训练模型预测被重复的符号。（如 7,2,8,3, 1,9,3,8,3, 1,9,9,2,5，其中 1,9 为重复子序列）。在2层仅注意力Transformer上，训练数据限制为512个样本时出现顿悟；使用随机生成的无限数据时未出现顿悟，形成归纳头后直接泛化。

'''跳跃三元组：'''该任务输入由0到19构成的符号序列（其中恰好一个符号≥10），模型需输出≥10的符号。该任务可通过学习10个跳跃三元组解决。如 [0,3,15,7,...,2]，模型需输出该特殊token 15。在1层仅注意力Transformer上，训练数据限制为512个样本时出现顿悟；使用随机生成的无限数据时未出现顿悟，而是直接学习了所有跳跃三元组规则。

=== 非算法任务 ===
Ziming Liu在2022年<ref name=":1">{{cite journal | author1=Liu Z | author2=Kitouni O | author3=Nolte N S | author4=Michaud E | author5=Tegmark M | author6=Williams M | year=2022 | title=Towards understanding grokking: An effective theory of representation learning | journal=Advances in Neural Information Processing Systems | volume=35 | issue= | page=34651–34663 | url=https://proceedings.neurips.cc/paper_files/paper/2022/file/dfc310e81992d2e4cedc09ac47eff13e-Paper-Conference.pdf }}</ref>首次证明，顿悟现象是机器学习中更为普遍的现象，不仅会出现在算法数据集上，也会出现在主流基准数据集中，例如MNIST数据集，并通过调整优化超参数实现了对顿悟的控制。进一步地，Ziming Liu等人<ref name=":2">{{cite journal | author1=Liu Z | author2=Michaud E J | author3=Tegmark M | year=2023 | title=OMNIGROK: Grokking Beyond Algorithmic Data | journal=International Conference on Learning Representations (ICLR) | volume= | issue= | page= | url= }}</ref>发现显式增加初始化权重范数会诱发顿悟现象，并在以下三种非算数任务上证明：

'''IMDb文本情感分析任务'''：该数据集包含5万条需分类为正面或负面的电影评论。数据预处理阶段提取前1000个高频词，并将每条评论分词为词元索引数组。低频词被忽略，每条评论数组填充至长度500。采用LSTM模型进行分类，该模型包含两层结构，嵌入维度64，隐藏维度128。使用Adam优化器以0.001学习率最小化二元交叉熵损失，保留25%数据集用于测试。

'''分子QM9任务'''：该数据是小分子及其性质的数据库。采用图卷积神经网络（GCNN）预测各向同性极化率。该GCNN包含2个带ReLU激活的卷积层和1个线性层。使用Adam优化器以0.001学习率最小化均方误差损失。数据集按50/50比例划分为训练集/测试集。

'''MNIST任务'''：在MNIST数据集上训练宽度200、深度3的ReLU多层感知机（MLP），采用均方误差损失。使用AdamW优化器，学习率0.001，批量大小200。

除此之外，Abramov等人<ref>{{cite journal | author1=Abramov R | author2=Steinbauer F | author3=Kasneci G | year=2025 | title=Grokking in the Wild: Data Augmentation for Real-World Multi-Hop Reasoning with Transformers | journal=arXiv | volume= | issue= | page= | url=https://arxiv.org/abs/2504.20752 }}</ref>提出定向数据合成方法，在基于真实维基百科的多跳问答（Multi-hop QA）任务中释放泛化电路的形成潜力。实验表明当比例系数超过特定阈值时，顿悟随即出现——使Transformer无需显式思维链提示或复杂外部框架即可执行复杂多步推理。

=== 大语言模型 ===
现有关于顿悟的研究通常针对一两个高度特定或玩具级任务训练小型模型数千个周期，而Li等人<ref>{{cite journal | author1=Li Z | author2=Fan C | author3=Zhou T | year=2025 | title=Where to find Grokking in LLM Pretraining? Monitor Memorization-to-Generalization without Test | journal=arXiv | volume= | issue= | page= | url=https://arxiv.org/abs/2506.21551 }}</ref>首次基于7B参数大语言模型（LLM）OLMoE的单次预训练过程展开研究，他们计算OLMoE在预训练数据上的训练损失，并在多样化基准任务（包括数学推理、代码生成、常识/领域知识检索任务）上评估其泛化性能，该研究首次证实顿悟现象在实用化大规模基础模型的预训练中依然存在，但不同数据可能异步进入其顿悟阶段。

== 顿悟现象的可解释性分析 ==
尽管人工智能神经网络在各种任务中非常出色，但它们的内部机制仍然像过去一样难以理解。研究人员一直在寻找任何可以深入了解这些模型的线索。顿悟现象的发现促使了很多后续研究，其他人已经复制了这些结果，甚至进行了逆向工程。最近发表的研究论文不仅阐明了这些神经网络在“顿悟”时正在做什么，还提供了一个新的视角来审视它们的内部机制。麻省理工学院的 Eric Michaud 说：“‘顿悟’数据的设置就像是一个很好的模式生物，有助于理解深度学习的许多不同方面，”观察这个生物体内部有时会非常揭示；现就职于伦敦谷歌深度思维的 Neel Nanda 说：“你不仅能发现美丽的结构，而且这种美丽的结构对于理解内部发生的事情非常重要”<ref>{{cite web | author=Pérez I | title=How Do Machines Grok Data? | website=Quanta Magazine | year=2024 | url=https://www.quantamagazine.org/how-do-machines-grok-data-20240412/ }}</ref>。这些模型内部表征的研究揭示了神经网络在处理复杂任务时的内部运作机制，进一步验证了顿悟现象的可重复性和可解释性。通过深入分析内部结构，科学家们能够更好地理解神经网络如何逐步构建和优化其认知模型，从而为未来的AI研究提供了宝贵的理论基础和实践指导。
[[文件:群运算和模加法运算的嵌入空间结构.png|缩略图|群运算和模加法运算的嵌入空间结构（左：群运算，右：模加法运算）]]

=== 结构化表征 ===
OpenAI团队在发现顿悟最初就对模型输出层的权重进行了可视化（使用 t-SNE），发现网络学到的符号嵌入中出现了可识别的数学结构<ref name="Power_grokking" />，例如在模加法任务中，嵌入空间中出现了圆形拓扑结构，表现出模运算的循环性质；在对称群S5任务中，嵌入空间中出现了子群和陪集的结构，显示出网络对群结构的理解。尽管输入是无内在结构的符号（如字母、数字代号），网络仍能从它们的交互中推断出结构，并形成有意义的嵌入表示，这表明神经网络不仅能记忆训练数据，还能从有限样本中归纳出抽象关系。
[[文件:随训练嵌入结构变化.png|缩略图|在模加法运算中，对模型的输入嵌入层在不同训练阶段的结构进行可视化，发现在泛化发生之前，嵌入点是混乱无结构的；而当泛化发生时，这些嵌入点突然形成了一个完美的圆形。]]
刘子鸣在他们的论文<ref name=":1" />里更明确地指出，泛化的发生与输入嵌入高度结构化的出现直接相关。他们发现，在玩具模型（如加法）中，这种结构表现为嵌入向量形成平行四边形结构；在模运算中，表现为圆形结构。当且仅当模型学到了这种结构，它才能进行泛化。为了精确衡量结构化程度，他们还提出了一个可量化的指标——表征质量指数（RQI ）。RQI 衡量的是学习到的嵌入在多大程度上满足任务所要求的数学关系（例如，在加法中，检查有多少 <code>(i, j, m, n)</code> 四元组满足 <code>E_i + E_j = E_m + E_n</code>）。实验表明，RQI 与模型的泛化准确率高度一致，证实了结构化表征是泛化的直接原因。

=== 时钟和披萨算法 ===
[[文件:Clock and pizza.png|缩略图|时钟与披萨算法示意图]]
Nanda 的工作重点是逆向工程训练好的网络，以弄清楚它学习了哪些算法<ref name=":0" />。他设计了一个更简单的 OpenAI 神经网络版本，以便在模型学习模块化算术时仔细检查其参数。他看到了相同的行为：过拟合逐渐让位于泛化，测试准确率突然提高。他的网络也在将数字排列成圆形。经过一番努力，南达最终弄清了原因。当将数字表示在圆形上时，网络并不是像看时钟的小学生那样简单地数数：它在进行一些复杂的数学操作。通过研究网络参数的值，南达和同事们发现，它通过对这些时钟数字进行“离散傅里叶变换”来相加——使用正弦和余弦等三角函数转换数字，然后利用三角恒等式对这些值进行操作以得出解决方案。

当麻省理工学院的刘子鸣团队继续研究Nanda的工作时，他们展示了这些“理解”神经网络并不总是发现这个“时钟”算法，有时会找到研究人员称之为“披萨”的算法<ref>{{cite journal | author1=Zhong Z | author2=Liu Z | author3=Tegmark M | author4=Andreas J | year=2023 | title=The clock and the pizza: Two stories in mechanistic explanation of neural networks | journal=Advances in Neural Information Processing Systems | volume=36 | page=27223–27250 | url= }}</ref>。这种方法设想一个披萨被分成若干片并按顺序编号，要加两个数，想象从披萨中心指向所问数字的箭头，然后计算由前两个箭头形成的角度的角平分线。这条线穿过披萨某一片的中间：这一片的编号就是两个数的和。这些操作也可以用三角函数和代数操作来表示，即对 a 和 b 的正弦和余弦进行操作，理论上它们与“时钟”方法一样精确。

麻省理工学院的刘子鸣说：“时钟算法和披萨算法都有这种循环表示，但是它们利用正弦和余弦的方式不同。这就是我们称它们为不同算法的原因。”而且这还不是全部。在训练多个网络进行模运算后，刘子鸣及其同事发现，这些网络发现的大约 40%的算法是披萨算法或时钟算法的变种。该团队目前还无法破译网络在其余时间所做的事情。对于披萨算法和时钟算法，“它只是碰巧找到了一些我们能人类解读的东西，”刘说道。

=== 控制权之争 ===
研究人员也开始理解网络顿悟数据的过程。Varma 等人指出，模型执行任务时存在两种机制：高效但学习慢的泛化机制和低效但学习快的记忆算法。顿悟现象的突然性源于记忆机制与泛化算法之间主导性的转换——只有当模型完全抑制了其记忆机制之后，泛化能力才会真正显现出来，并且存在一个数据集规模的临界值𝐷crit<ref>{{cite web | author1=Varma V | author2=Shah R | author3=Kenton Z | author4=Kramár J | author5=Kumar R | year=2023 | title=Explaining Grokking Through Circuit Efficiency | website=arXiv | url=https://arxiv.org/abs/2309.02390 }}</ref>。因此，虽然泛化能力的延迟似乎突然出现，但网络内部参数实际上一直在学习泛化算法。只有当网络既学会了泛化算法，又完全消除了记忆算法时，才能实现顿悟。Nanda说：“看似突然的事情，实际上可能表面之下是渐进的”——这个问题在其他机器学习研究中也出现过。

并且，由于临界数据集规模𝐷crit决定记忆和泛化竞争结果，通过控制数据集规模可衍生逆顿悟（ungrokking）和半顿悟（semi-grokking）现象。逆顿悟现象是指若对已完成顿悟的网络在新数据集（满足 𝐷 < 𝐷crit条件）上继续训练，网络会退化为显著记忆状态，导致测试损失重新恶化。半顿悟是指当 𝐷 ≈ 𝐷crit时，记忆算法与泛化算法在收敛过程中相互竞争，因此我们观察到测试损失有所改善但未达完美。
[[文件:不同配置模型针对特定训练数据量时表现出的动态差异.png|缩略图|不同配置与训练数据量下模型表现出的动态差异与相图]]
进一步地，Huang等人<ref>{{cite web | author1=Huang Y | author2=Hu S | author3=Han X | author4=Liu Z | author5=Sun M | year=2024 | title=Unified View of Grokking, Double Descent and Emergent Abilities: A Comprehensive Study on Algorithm Task | website=First Conference on Language Modeling | url=https://openreview.net/forum?id=cG1EbmWiSs }}</ref>对记忆与泛化之争产生的不同训练动态进行了更详细的定义和划分，他们研究了模型隐空间维度和训练数据量如何影响模型训练动态，并根据这两个参数绘制出相空间，每个区域对应实验中观察到的不同训练动态：

(a) 渐进区(progressing)：当训练数据量超过模型记忆容量时，模型无法完全记忆所有数据，表现为先以零验证精度尽可能记忆训练数据，随后在保持训练精度提升的同时对部分验证数据产生泛化能力；

(b) 记忆区(memorization)：小规模训练数据下，模型能完全记忆且记忆回路效率优于泛化机制，因此仅表现为对训练数据的记忆行为，验证精度始终为零；

(c) 半顿悟区(semi-grokking)：当训练数据量接近临界规模时，模型在完成全记忆后会表现出中等程度的泛化能力；

(d) 顿悟区(grokking)：训练数据量超越临界规模后，泛化回路效率超越记忆机制，导致模型在训练性能达到完美后经历长期延迟才实现从记忆到泛化的转变。

=== 参数空间 ===
研究人员对顿悟过程的参数空间进行了一系列的分析，以探索模型内部真实变化。最初科学家们发现，使用权重衰减的训练方式能显著提升嵌入的结构化程度<ref name="Power_grokking" />。Weight Norms最近的研究也认为参数权重的L2 norm是结构顿悟的重要量。总体上来说，训练过程中范数（Norms）增长被作为神经网络泛化的关键因素之一进行了研究。通过分析Weight Norm，研究者提出了关于顿悟现象的一种解释：训练损失与测试损失景观之间的不匹配是导致顿悟的原因<ref name=":2" />。两者在权重范数 w>wc区域的不匹配导致快慢动力学机制，从而产生顿悟现象。在权重范数较大时，模型很容易过拟合训练数据，使得训练损失较低。只有在权重范数接近 “Goldilocks zone”时，测试损失才较低，模型泛化性能较好。如果模型权重范数初始化为较大值，模型会首先快速移动到一个过拟合的解，因为此时训练损失最小化，在没有正则化的情况下模型会停留在过拟合的状态，因为训练损失在过拟合解的山谷中梯度几乎为零，泛化不会发生。

由于训练损失和测试损失（相对于模型权重范数）通常分别呈现"L"形和"U"形，将其称为"LU机制"。这一简单机制可以很好地解释grokking的诸多特征：数据规模依赖性、权重衰减依赖性、表征的涌现等。基于这一直观图像，研究者们成功在涉及图像、语言和分子的任务中诱导出了顿悟现象。

=== 特征学习 ===

而从训练动力学的角度探索模型，可将神经网络的训练动态分为两个阶段，惰性训练动态和丰富的特征学习动态。在惰性训练动态阶段，网络参数 w 几乎停留在初始点 w0附近，网络行为接近一个关于参数的线性模型：网络通过初始神经切线核（NTK）提供的特征来拟合数据，此时训练相当于进行一次固定核的核回归（Kernel Regression）。随着训练推进，参数更新幅度逐渐增大，网络不再保持线性近似。这时网络不再依赖初始NTK，而是通过学习生成新的特征空间，更好地捕捉数据的结构。

为了让训练发生从惰性到特征学习的转变，需要同时满足：

* 初始特征未对齐（misaligned NTK）：若初始NTK特征与任务标签方向接近，则惰性模型已能泛化，不会出现顿悟。
* 中等规模数据集
* 惰性初始（小步长 / 大α值）：训练初期参数变化缓慢，维持线性化状态，使得网络需较长时间才过渡到特征学习阶段。

这些条件共同导致训练曲线出现延迟分离和突然收敛的顿悟现象<ref><ref name="Kumar_grokking_dynamics">{{cite web | author1=Kumar T | author2=Bordelon B | author3=Gershman S J | author4=Pehlevan C | year=2024 | title=Grokking as the Transition from Lazy to Rich Training Dynamics | website=Twelfth International Conference on Learning Representations (ICLR) | url=https://openreview.net/forum?id=vt5mnLVIVo }}</ref>。

== 促进顿悟的方法 ==
促进顿悟这一系列研究旨在减少记忆与泛化之间的延迟效应，从而使模型更快泛化，从而也被叫做“消除顿悟”

=== 权重范数 ===
其中的一个关键发现与权重范数有关——可以把它理解为模型参数的体积或规模。在可解释性部分的参数空间小节，我们讲过，研究者们任务存在一个“黄金泛化区”，当模型规模恰好处于这个区间时，最容易学到真本领。于是，他们想出了一个巧妙的办法：在训练期间，使用一种约束技术，将模型的体积始终固定在这个最佳区域附近<ref name=":2" />。这就好比直接为模型规划好了最佳的学习路径，让它无法绕远去死记硬背，从而被迫从一开始就寻找通用的解决方案，极大地缩短了从记忆到泛化的等待时间，实现了顿悟的消除。

=== 慢梯度增强(Slow Gradient Amplification) ===
这项名为 Grokfast 的研究发现，造成顿悟的原因在于梯度的频率特性：
快梯度（高频信号）：像噪音一样剧烈抖动，主要导致模型死记硬背训练数据。
慢梯度（低频信号）：像洋流一样缓慢且坚定，这才是推动模型理解通用规律的关键力量。
该方法的解决思路非常巧妙，即“滤噪存真”：研究者把训练过程中的梯度看作随时间变化的信号。他们引入了一个简单的低通滤波器（Low-Pass Filter），过滤掉那些杂乱的快梯度，提取出代表长期趋势的慢梯度，并将其人为放大叠加回去。结果显示，这种慢梯度增强策略能让模型顿悟的速度提升 50 倍，只需几行代码即可实现，无需昂贵的算力堆叠。

<ref><ref name="Lee2024grokfast">{{cite web | author1=Lee, J. | author2=Kang, B. G. | author3=Kim, K. | author4=Lee, K. M. | year=2024 | title=Grokfast: Accelerated Grokking by Amplifying Slow Gradients | website=arXiv | eprint=2405.20233 | archivePrefix=arXiv | primaryClass=cs.LG | url=https://arxiv.org/abs/2405.20233 }}</ref>。

=== 顿悟彩票（Grokking Ticket） ===
“顿悟彩票”（Grokking Ticket）这个名字非常巧妙，它桥接了两个重要的神经网络研究领域：Lottery Ticket Hypothesis (LTH, 彩票假设)和顿悟现象。LTH 认为，任何一个随机初始化的大型神经网络（密集网络）内部，都包含一个或多个稀疏子网络。这些子网络如果单独从原始权重初始化并训练，能够比完整网络更快、更好地收敛，达到相似的甚至更高的性能。LTH 将这些优秀的稀疏子网络比喻为中奖的“彩票”（Winning Ticket）。这意味着成功的关键不在于网络有多大，而在于在随机初始化中“抽中”了哪个具备优秀拓扑结构的子集。

研究者们认为顿悟的延迟现象，并非单纯在等待权重衰减降低参数范数，而是在高维参数空间中搜索并锁定一个具备泛化能力的稀疏子网络结构。所谓的“彩票假设掩码”方法，实际上是一种提取并利用“后验结构知识”的过程：
首先将一个密集网络训练至完全泛化状态，此时网络内部的功能回路已经形成。通过幅度剪枝（Magnitude Pruning），保留权重绝对值较大的连接，将其拓扑结构固化为一个二值掩码（Binary Mask）。
将此掩码应用于一个随机初始化的网络。这意味着在训练伊始，就强行约束了网络的拓扑结构，使其仅在被筛选出的特定子空间内进行优化。
该方法之所以能消除泛化延迟，其核心机理包含两个方面：
拓扑结构即泛化归纳偏置：实验表明，通过掩码锁定的稀疏子网络本身就编码了任务所需的良好表征（如模运算任务中的周期性特征）。这种特定的拓扑结构即使在权重随机初始化时，也具备了快速学习任务特征的能力。
解耦权重优化与结构优化：在标准训练中，模型需要同时进行参数值的优化和有效结构的筛选。应用掩码后，模型直接跳过了漫长的“结构搜索”阶段，使得训练准确率与测试准确率同步上升，从而消除了延迟泛化。

=== 基于预训练或迁移的加速学习策略 ===

1. 权重初始化

权重初始化的方法即用已顿悟的模型部件来给新模型“开小灶”，由于拥有更多先验知识，模型得以提前顿悟<ref><ref name="Furuta2024grokked_transformers">{{cite journal | author1=Furuta, H. | author2=Minegishi, G. | author3=Iwasawa, Y. | author4=Matsuo, Y. | year=2024 | title=Towards Empirical Interpretation of Internal Circuits and Properties in Grokked Transformers on Modular Polynomials | journal=Transactions on Machine Learning Research | volume= | issue= | pages= | issn=2835-8856 | url=https://openreview.net/forum?id=MzSf70uXJO | doi= }}</ref>。方法的具体步骤如下：首先在简单任务（如模加法）上预训练一个Transformer直到其顿悟，然后将其组件（嵌入层或整个Transformer主体）取出，作为新模型在相关任务（如模减法、线性表达式）对应组件的初始化权重，并在后续训练中保持这些权重冻结（不更新），以此研究不同任务间内部表示与算法的相似性，并显著加速新任务的顿悟过程。但该方法的成功高度依赖于源任务和目标任务之间的相似性，对于更复杂的操作，简单移植基础算术的组件可能不足以提供有效的先验知识，复杂任务可能需要发现全新的、更复杂的算法。

2. 嵌入迁移

Xu等人提出的 GrokTransfer（我们称之为嵌入迁移法），提供了消除延迟泛化的一个简洁而强大的解决方案。其核心洞察是：决定模型能否快速泛化的关键，在于它对输入数据的初始理解，即数据在模型中如何被表示和编码，也就是嵌入层。
嵌入迁移法的步骤可以简单理解为：
请教弱模型：首先，我们快速训练一个更小、更弱的模型。这个弱模型虽然无法达到完美性能，但它能以更快的速度学到一个初步但有效的数据结构地图（即数据的嵌入表示）。
知识迁移：接着，我们将这个弱模型学习到的、带有有效结构信息的嵌入层参数提取出来。用这些参数来初始化我们真正想要训练的那个更强大、更复杂的模型的嵌入层。
通过这种方式，强大的目标模型在训练之初就获得了高质量的嵌入，不再需要从零开始摸索数据间的潜在联系。它直接站在了弱模型的肩膀上，因此可以迅速从记忆阶段进入泛化阶段，大大加速甚至完全消除了原有的泛化延迟现象。

== 顿悟与其他现象的关联 ==

=== 双降（double descent） ===
Belkin等人（2019）提出的双下降（Double Descent）现象揭示了模型验证误差随规模变化的非单调模式：误差先下降，随后因过拟合噪声而上升，最终随着模型容量的进一步扩大而再次下降。Nakkiran等人（2020）进一步在多种架构下验证了这一现象，指出误差峰值往往出现在训练误差趋近于零的临界区间。

近期研究致力于将双下降现象与顿悟现象联系起来。Davies等人（2022）提出了一种基于“规模-时间”对偶性的假说，认为两者本质上反映了模型对不同复杂度模式的学习速率差异：模型倾向于先快速拟合简单的虚假相关性（导致第一次下降后回升），只有在长时间训练或更大规模下，才能掌握复杂的泛化模式（导致第二次下降，即顿悟）。

具体而言，这种关联的表现形式受限于训练数据量。当数据量不足（低于特定临界点）时，模型随规模扩大会经历“渐进期—记忆期—半顿悟期—顿悟期”四个阶段，其中“记忆期”的性能恶化直接对应双下降的峰值；反之，当数据量充足时，模型能够跳过记忆期带来的负面影响，直接从渐进期过渡到顿悟期，表现为泛化性能的单调提升。

Grokking 现象和双重下降现象可以被视为同一学习机制在不同条件下的表现。它们都源于一个共同的学习动态：神经网络的归纳偏置更倾向于选择那些泛化能力强但学习速度慢的模式，因此模型会经历一个从“快速学习但泛化差”的模式向“学习慢但泛化好”的模式过渡的过程。

=== 大语言模型的能力涌现 ===

从记忆与泛化的竞争视角来看，纯记忆任务的存在会阻碍模型在记忆完所有训练数据后完全转向泛化阶段，因为纯记忆任务本身不存在泛化方法。然而，当模型规模达到足够大时，其记忆能力会显著超过训练数据量，从而实现对记忆与泛化等不同能力的功能分化。通过为泛化数据和记忆数据分配独立参数来降低涌现模型规模的实验，进一步支持了这一假设。该现象与当前大语言模型（LLM）中观察到的涌现能力相呼应——由于预训练阶段也可视为多任务学习场景，模型必须在保留海量世界知识的同时，习得上下文学习和多步推理等通用规则与能力。这一观察也阐释了Hu et al.(2024)提出的假设：涌现能力是通过不同神经回路的竞争形成的。尽管当前LLM的能力涌现由诸多复杂因素驱动，顿悟研究将为理解LLM的涌现能力提供新视角，并推动该领域的进一步研究。

Anthropic 的团队发现，LLM 的上下文学习（In-context Learning）能力的涌现，恰好发生在模型顿悟了“归纳头”这一特定电路结构的时刻。研究发现，模型在训练过程中会出现一个短暂的相变时刻（即顿悟）。在这个时刻，验证集损失突然下降，同时上下文学习能力突然涌现。这种同步发生是因为模型学会了使用归纳头（Induction Heads）——一种能够通过查找前文来复制模式的注意力机制电路。这一发现强烈暗示，宏观的涌现是由微观电路层面的顿悟驱动的。

The Quantization Model of Neural Scaling提供了一个非常漂亮的理论框架，解释了为什么学习曲线会呈现阶梯状（即包含顿悟和涌现），而不是平滑曲线。作者提出了“神经缩放的量子化模型”（QMNS），他们认为，复杂的任务是由许多离散的“子技能”（Quanta）组成的。随着模型规模或训练时间增加，模型并非一点点学好所有知识，而是按顺序攻克一个个子技能。每当模型彻底掌握一个关键子技能，即对该子技能发生顿悟，整体性能就会出现一次阶跃，表现为能力的阶段性涌现。它将顿悟（时间的阶跃）和涌现（规模的阶跃）统一到了同一个离散特征学习的框架下

=== 反思与批判：顿悟和涌现可能只是“度量的幻觉” ===
Are Emergent Abilities of Large Language Models a Mirage? 这篇论文在当时引起了巨大轰动，作者指出，所谓的“尖锐的涌现”或“突然的顿悟”，可能并非模型本身随规模增长而产生的本质变化，而是由于研究人员选择的评估指标（如准确率、完全匹配等非线性或不连续指标）对模型逐词错误率进行了非线性或不连续的缩放，从而在特定任务上制造出的假象；若改用线性或连续的指标（如词编辑距离、Brier分数），则模型性能会呈现平滑、连续、可预测的提升趋势，所谓的“涌现”现象也随之消失。这暗示顿悟和涌现可能并非模型内部发生了魔法般的突变，而是模型内部一直在进行平滑的渐进式学习，只是在越过某个阈值后，才被我们粗糙的指标捕捉到。

= 参考文献 =
<references />

一维动力学

2025-12-14T04:16:52Z

相信未来：/* 势函数 */

“直线上的流”是一维自治[[动力系统]]的几何理论，它将[[微分方程]]的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=
'''起源（19世纪末至20世纪中期）'''
[[动力系统理论]]起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对[[微分方程]]定性研究的方法，确立了相空间、轨道与稳定性等核心概念<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>。
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“[[混沌]]”这一概念<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>。
几乎同时，生态学家罗伯特·梅（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为[[混沌理论]]的经典案例<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>。

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>。
这些成果标志着[[混沌理论]]的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>。

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维[[动力系统]]的研究与测度论、遍历理论及[[信息论]]进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为[[复杂系统]]与[[混沌理论]]的基础模型，并拓展到多维系统与应用领域<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>。
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融[[时间序列分析]]与神经网络模型等领域<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>。

''' 现代定位 '''
随着[[动力系统理论]]在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、[[复杂网络]]以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示[[非线性系统]]的典型特征和定性分析思路<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>。

=简介=

* 核心问题: 如何理解一阶自治[[微分方程]]<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math>__PROTECTED_9__]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是[[吸引子]]、排斥子还是半稳定点<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>。

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对[[系统动力学]]的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对[[非线性系统]]、分岔与[[混沌]]等复杂现象的教学与研究尤为有效。
在现代[[动力系统理论]]中，这种几何化分析被视为理解低维[[系统动力学]]的基础，也是进一步研究高维系统与非线性动力学现象的出发点<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>。

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（[[吸引子]]/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

如图所示，左侧的不动点是稳定的，当 x 位于左侧不动点的左侧少许时，其速度向右；当 x 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。

[[File:fixed_point_1.png|400px|thumb|right|稳定不动点和不稳定不动点，引自__PROTECTED_12__]]

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义： [[势函数]]<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）。这是符合直觉的：给定时间 <math>t</math> 下系统不可能同时处于两个不同的确定状态。

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

'''存在性与唯一性定理'''
若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则初值问题

<math>
\left\{
\begin{align}
\dot{x} &= f(x), \\
x(0) &= x_0
\end{align}
\right.
</math>

的解<math>x(t)</math>在<math>t=0</math>的某个邻域<math>(-\tau, \tau)</math>内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常[[微分方程]]
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是[[动力系统]]研究中最常用的工具之一<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>。

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常[[微分方程]]数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解[[微分方程]]的数值轨道；
* 绘制相图、[[吸引子]]与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索[[混沌]]行为及敏感依赖性。
相关方法在[[动力系统]]与非线性科学中具有基础作用<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>。

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math><ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>。

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>。

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>。

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算<ref name="Butcher2016" />其更新公式为：。

<math>
\left\{
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}\right.
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡<ref name="Hairer1993" />。

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>。

==典型应用==

===种群增长模型（[[逻辑斯谛方程]]）===
'''[[逻辑斯谛方程]]'''（Logistic equation）是一种描述有限资源环境下种群增长的常[[微分方程]]，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出，被认为是一维[[动力系统]]方法在种群生物学中的早期且经典的应用实例。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。
该模型以[[微分方程]]形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>。
==== 数学形式 ====
[[逻辑斯谛方程]]写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math><ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>。

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
__PROTECTED_2__]]
[[逻辑斯谛方程]]的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

==== 离散形式：[[逻辑斯谛映射]] ====
逻辑斯谛方程的著名离散版本为 '''[[逻辑斯谛映射]]'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到[[混沌]]，是一维动力学与[[混沌理论]]的核心示例<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>。

==== 应用 ====
[[逻辑斯谛方程]]广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的[[反馈]]动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归<ref name="Murray2002" />。

===RC电路分析===

====模型定义====

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

考虑右图所示的 RC 电路，电阻大小为 <math>R</math>，电容量为 <math>C</math>。记左端输入电压为 <math>V_{\text{in}}</math>，电容器两端的电压 <math>V_{C}</math> 为输出电压，电路中的电流为 <math>I</math>。根据基尔霍夫定律，可得下面的方程

<math>
\left\{
\begin{align}
\\[-1em]
V_{\text{in}} &= V_{R} + V_{C}\\
V_{\text{out}} &= V_{C} = \frac{1}{C} \int_{0}^{t} I(t) \, \mathrm d{t}
\end{align}
\right.
</math>

即

<math>
V_{\text{in}} = RI + \frac{1}{C}\int_{0}^{t} {I} \, \mathrm d{t}. \quad \text{(RC-1)}
</math>

当 <math>V_{\text{in}}</math> 为恒定电压 <math>V_{0}</math> 时，考虑电容 <math>C</math> 上的充电量 <math>Q</math>。有

<math>
V_{0} = RI + \frac{1}{C} \int_{0}^{t} {I} \, \mathrm d{t} \iff V_{0} = R \dot{Q} + \frac{Q}{C}\quad \text{(RC-2)}
</math>

====模型的解====

该方程的通解为
<math>
Q(t) = V_{0}C + Ke^{-t/RC}
</math>
如果要求初始时刻电容器上电荷为零，即 <math>Q(0) = 0</math>，则有 <math>K = -V_{0}C</math>，即
<math>
Q(t) = V_{0}C(1 - e^{-t/RC})
</math>
相应地，也能得到电容器的稳态电压 <math>V_{C}(\infty)</math> 为 <math>V_{0}C</math>，输出电压随时间变化规律为
<math>
V_{C}(t) = \frac{Q}{C} = V_{0}(1 - e^{-t/RC}).
</math>
其中 <math>\tau = RC</math> 称为时间常数，它决定电容器充电的快慢。

====势函数的定性视角====

可以将 (RC-1) 写成势函数的形式：
<math>
f(Q) = \dot{Q} = \frac{V_{0}}{R} - \frac{Q}{RC} = -\frac{1}{RC} \cdot Q + \frac{V_{0}}{R}
</math>
可见其势函数是一个截距为正，斜率为负的直线，有一个稳定不动点 <math>Q = V_{0}C</math>。另外，从势函数也可明显的看出上面的结论：当电容初始电量为零时，依照势函数，其电量会一直增长，无限趋于稳定不动点。

====传递函数的视角====

将 (RC-2) 两边做拉普拉斯变换，得到

<math>
\tilde{V}_{\text{in}}(s) = R \tilde{I}(s) + \frac{1}{Cs} \tilde{I}(s) = R \tilde{I}(s) + \tilde{V}_{C}(s)
</math>

整理得到 <math>\tilde{V}_{C} = (RCs + 1)\tilde{V}_{\text{out}}(s)</math>，系统的传递函数为

<math>
G(s) = \frac{\tilde{V}_{\text{out}}(s)}{\tilde{V}_{C}(s)} = \frac{1}{RCs + 1},
</math>

这是一个典型的一阶惯性环节，电容开始无电量，电压恒定的情况相当于系统的阶跃响应，而一阶惯性系统的阶跃响应总是稳定、无震荡的。其响应值达到稳态值的约 <math>63.2\%</math> 所需时间为时间常数 <math>\tau</math>。由[[控制论]]的工具出发，还可以分析 RC 电路在不同输入电压（如脉冲、交流电）下的不同响应（输出电压）。

====频率特性====

现在考虑输入为单相交流电的情形。假设输入电压随时间变化为 <math>V_{\text{in}}(t) = \sin(\omega t)</math>，其对应的拉普拉斯变换为 <math>\displaystyle \tilde{V}_{\text{in}}(s) = \frac{\omega}{s^{2} + \omega^{2}}</math>，由系统的传递函数，可得输出电压的拉普拉斯变换为

<math>
\tilde{V}_{\text{out}}(s) = \tilde{V}_{\text{in}}(s) G(s) = \frac{\omega}{s^{2} + \omega^{2}} \cdot \frac{1}{\tau s+ 1}
</math>

做拉普拉斯反变换，得到

<math>
V_{\text{out}}(t) = \frac{\tau \omega}{1 + \tau^{2}\omega^{2}}e^{-t/\tau} + \frac{1}{\sqrt{ (\omega \tau)^{2} + 1 }} \sin(\omega t - \arctan(\omega \tau))
</math>

称 <math>a(\omega) = \displaystyle \frac{1}{(\omega \tau)^{2}+1}</math> 为系统的幅频特性，<math>\phi(\omega) = -\arctan(\omega \tau)</math> 为其相频特性。可以看到当交流电频率增加时，输出电压的幅度降低：这是一个简单的低通滤波器。

===企业生长模型===

'''企业生长模型'''是[[张江]]团队提出的、基于企业[[规模标度律]]和企业财务平衡方程构建的企业资产变化的[[微分方程]]，刻画企业的平均生长动力学

==== 数学形式 ====
<math>
\frac{dA}{dt} = \frac{c_IA^{\beta_I}}{1-c_L \beta_L A^{\beta_L-1}}
</math>

其中：
* <math>A</math>是企业的资产
* <math>c_I</math>和<math>\beta_I</math>代表企业的资产和企业净利润<math>I</math>之间幂律关系的参数（<math>I = c_I A^{\beta_I}</math>）
* <math>c_L</math>和<math>\beta_L</math>代表资产和企业总债务<math>L</math>之间的幂律关系参数（<math>L = c_L A^{\beta_L}</math>）

上式被称为企业普适生长方程（General growth equation)

==== 解的形式 ====

上式方程直接积分，难以给出资产随时间的显式解析表达式，但可以给出企业资产生长轨迹的隐式解

<math>
\frac{A^{1-\beta_I}}{c_I(1-\beta_I)}\left[1-\left(\frac{1-\beta_I}{\beta_L-\beta_I}\right)c_L\beta_LA^{\beta_L-1}\right]\equiv f(A) = t
</math>

上式被称为企业通用生产曲线（general growth curve），其中，<math>t</math>是企业的市场年龄。右图展示了个体企业时间轨迹在平均尺度上和模型预测的吻合情况，结果显示，在美国、中国和欧洲的上市企业数据集中，模型表现和数据吻合。

详细介绍见[[文件:企业生长曲线.png|400px|thumb|right|企业生长曲线]]

当<math>\beta_L \approx 1</math>的时候，可以得到一个极佳的近似，此时企业生长方程的解是一个随时间变化的幂律形式：
<math>
A(t) \approx c t^{\gamma}
</math>

其中

* <math>\gamma \approx [1-\left(\frac{1-\beta_L}{1-\beta_I}\right)\left(\frac{c_L}{1-c_L}\right)]/(1-\beta_I)</math>
* <math> c = \exp \left\{ \frac{1}{1-\beta_I} \left[ \ln \frac{(1-\beta_I)c_I}{(1-c_L)}\right] \left[ 1- \left(\frac{1-\beta_L}{1-\beta_I}\right)\left(\frac{c_L}{1-c_L}\right) \right] + \frac{\beta_{I}(1-\beta_L)}{(1-\beta_I)^2}\left(\frac{c_L}{1-c_L}\right) \right\}</math>

====不动点分析====

分析企业生长方程的动力学性质，我们可知，方程只有一个不动点<math>A = 0</math>，该点意味着企业的资产为0，考虑到企业资产往往不会出现为0的情况，该点并无实际的经济意义。

====奇异点分析====

进一步分析可知，方程存在奇异点，即分母为0的情况，此时<math>dA/dt \to \infty</math>。下面我们对奇异点<math>A^*</math>展开分析。

令分母<math>D(x) = 1-c_L\beta_LA^{\beta_L-1} = 0</math>，得到奇异点<math>A^*=\left(c_L\beta_L\right)^{1/(1-\beta_L)}</math>

=====稳定性=====

对奇异点进行稳定性分析，即判断 <math>\left.\frac{d^2t}{dA^2}\right|_{A=A^*}=\frac{(A^*)^{-\beta_I-1}}{c_I}(1-\beta_L)</math>的正负。我们得到两种情况：
* 当<math>\beta_L > 1</math>时，<math> \frac{d^2t}{dA^2}< 0</math>，意味着此时奇异点是一个[[吸引子]]，企业生长靠近该点。
* 当<math>\beta_L < 1</math>时，<math> \frac{d^2t}{dA^2}< 0</math>，意味着此时奇异点是一个排斥子，企业规模远离该点。

右图展示了不同<math>\beta_L</math>取值情况的企业生长轨迹及其变化率的可视化图像

[[文件:Singularity.png|400px|thumb|right|企业生长轨迹及其变化率和不同参数的关系]]

=====经济含义=====

对应到企业生长行为，也可以分成对应两种类型的生长阈值
* 当<math>\beta_L > 1</math>时，由于此时[[奇点]]是一个[[吸引子]]，意味着小于规模[[奇点]]<math>A^*</math>的企业可以持续增长，而大于规模[[奇点]]<math>A^*</math>的企业则表现为衰退，此时[[奇点]]<math>A^*</math>是一个生长上限。
* 而当<math>\beta_L <1</math>时，由于此时[[奇点]]是一个排斥子，意味着大于规模[[奇点]]<math>A^*</math>的企业可以持续增长，而小于规模[[奇点]]<math>A^*</math>的企业则表现为衰退，此时[[奇点]]<math>A^*</math>是一个生长门槛。

= 参考文献 =
<references />

一维动力学

2025-12-14T04:13:51Z

相信未来：

“直线上的流”是一维自治[[动力系统]]的几何理论，它将[[微分方程]]的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=
'''起源（19世纪末至20世纪中期）'''
[[动力系统理论]]起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对[[微分方程]]定性研究的方法，确立了相空间、轨道与稳定性等核心概念<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>。
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“[[混沌]]”这一概念<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>。
几乎同时，生态学家罗伯特·梅（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为[[混沌理论]]的经典案例<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>。

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>。
这些成果标志着[[混沌理论]]的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>。

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维[[动力系统]]的研究与测度论、遍历理论及[[信息论]]进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为[[复杂系统]]与[[混沌理论]]的基础模型，并拓展到多维系统与应用领域<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>。
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融[[时间序列分析]]与神经网络模型等领域<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>。

''' 现代定位 '''
随着[[动力系统理论]]在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、[[复杂网络]]以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示[[非线性系统]]的典型特征和定性分析思路<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>。

=简介=

* 核心问题: 如何理解一阶自治[[微分方程]]<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math>__PROTECTED_9__]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是[[吸引子]]、排斥子还是半稳定点<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>。

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对[[系统动力学]]的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对[[非线性系统]]、分岔与[[混沌]]等复杂现象的教学与研究尤为有效。
在现代[[动力系统理论]]中，这种几何化分析被视为理解低维[[系统动力学]]的基础，也是进一步研究高维系统与非线性动力学现象的出发点<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>。

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（[[吸引子]]/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

如图所示，左侧的不动点是稳定的，当 x 位于左侧不动点的左侧少许时，其速度向右；当 x 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。

[[File:fixed_point_1.png|400px|thumb|right|稳定不动点和不稳定不动点，引自__PROTECTED_12__]]

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）。这是符合直觉的：给定时间 <math>t</math> 下系统不可能同时处于两个不同的确定状态。

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

'''存在性与唯一性定理'''
若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则初值问题

<math>
\left\{
\begin{align}
\dot{x} &= f(x), \\
x(0) &= x_0
\end{align}
\right.
</math>

的解<math>x(t)</math>在<math>t=0</math>的某个邻域<math>(-\tau, \tau)</math>内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常[[微分方程]]
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是[[动力系统]]研究中最常用的工具之一<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>。

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常[[微分方程]]数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解[[微分方程]]的数值轨道；
* 绘制相图、[[吸引子]]与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索[[混沌]]行为及敏感依赖性。
相关方法在[[动力系统]]与非线性科学中具有基础作用<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>。

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math><ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>。

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>。

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>。

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算<ref name="Butcher2016" />其更新公式为：。

<math>
\left\{
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}\right.
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡<ref name="Hairer1993" />。

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>。

==典型应用==

===种群增长模型（[[逻辑斯谛方程]]）===
'''[[逻辑斯谛方程]]'''（Logistic equation）是一种描述有限资源环境下种群增长的常[[微分方程]]，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出，被认为是一维[[动力系统]]方法在种群生物学中的早期且经典的应用实例。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。
该模型以[[微分方程]]形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>。
==== 数学形式 ====
[[逻辑斯谛方程]]写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math><ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>。

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
__PROTECTED_2__]]
[[逻辑斯谛方程]]的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

==== 离散形式：[[逻辑斯谛映射]] ====
逻辑斯谛方程的著名离散版本为 '''[[逻辑斯谛映射]]'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到[[混沌]]，是一维动力学与[[混沌理论]]的核心示例<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>。

==== 应用 ====
[[逻辑斯谛方程]]广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的[[反馈]]动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归<ref name="Murray2002" />。

===RC电路分析===

====模型定义====

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

考虑右图所示的 RC 电路，电阻大小为 <math>R</math>，电容量为 <math>C</math>。记左端输入电压为 <math>V_{\text{in}}</math>，电容器两端的电压 <math>V_{C}</math> 为输出电压，电路中的电流为 <math>I</math>。根据基尔霍夫定律，可得下面的方程

<math>
\left\{
\begin{align}
\\[-1em]
V_{\text{in}} &= V_{R} + V_{C}\\
V_{\text{out}} &= V_{C} = \frac{1}{C} \int_{0}^{t} I(t) \, \mathrm d{t}
\end{align}
\right.
</math>

即

<math>
V_{\text{in}} = RI + \frac{1}{C}\int_{0}^{t} {I} \, \mathrm d{t}. \quad \text{(RC-1)}
</math>

当 <math>V_{\text{in}}</math> 为恒定电压 <math>V_{0}</math> 时，考虑电容 <math>C</math> 上的充电量 <math>Q</math>。有

<math>
V_{0} = RI + \frac{1}{C} \int_{0}^{t} {I} \, \mathrm d{t} \iff V_{0} = R \dot{Q} + \frac{Q}{C}\quad \text{(RC-2)}
</math>

====模型的解====

该方程的通解为
<math>
Q(t) = V_{0}C + Ke^{-t/RC}
</math>
如果要求初始时刻电容器上电荷为零，即 <math>Q(0) = 0</math>，则有 <math>K = -V_{0}C</math>，即
<math>
Q(t) = V_{0}C(1 - e^{-t/RC})
</math>
相应地，也能得到电容器的稳态电压 <math>V_{C}(\infty)</math> 为 <math>V_{0}C</math>，输出电压随时间变化规律为
<math>
V_{C}(t) = \frac{Q}{C} = V_{0}(1 - e^{-t/RC}).
</math>
其中 <math>\tau = RC</math> 称为时间常数，它决定电容器充电的快慢。

====势函数的定性视角====

可以将 (RC-1) 写成势函数的形式：
<math>
f(Q) = \dot{Q} = \frac{V_{0}}{R} - \frac{Q}{RC} = -\frac{1}{RC} \cdot Q + \frac{V_{0}}{R}
</math>
可见其势函数是一个截距为正，斜率为负的直线，有一个稳定不动点 <math>Q = V_{0}C</math>。另外，从势函数也可明显的看出上面的结论：当电容初始电量为零时，依照势函数，其电量会一直增长，无限趋于稳定不动点。

====传递函数的视角====

将 (RC-2) 两边做拉普拉斯变换，得到

<math>
\tilde{V}_{\text{in}}(s) = R \tilde{I}(s) + \frac{1}{Cs} \tilde{I}(s) = R \tilde{I}(s) + \tilde{V}_{C}(s)
</math>

整理得到 <math>\tilde{V}_{C} = (RCs + 1)\tilde{V}_{\text{out}}(s)</math>，系统的传递函数为

<math>
G(s) = \frac{\tilde{V}_{\text{out}}(s)}{\tilde{V}_{C}(s)} = \frac{1}{RCs + 1},
</math>

这是一个典型的一阶惯性环节，电容开始无电量，电压恒定的情况相当于系统的阶跃响应，而一阶惯性系统的阶跃响应总是稳定、无震荡的。其响应值达到稳态值的约 <math>63.2\%</math> 所需时间为时间常数 <math>\tau</math>。由[[控制论]]的工具出发，还可以分析 RC 电路在不同输入电压（如脉冲、交流电）下的不同响应（输出电压）。

====频率特性====

现在考虑输入为单相交流电的情形。假设输入电压随时间变化为 <math>V_{\text{in}}(t) = \sin(\omega t)</math>，其对应的拉普拉斯变换为 <math>\displaystyle \tilde{V}_{\text{in}}(s) = \frac{\omega}{s^{2} + \omega^{2}}</math>，由系统的传递函数，可得输出电压的拉普拉斯变换为

<math>
\tilde{V}_{\text{out}}(s) = \tilde{V}_{\text{in}}(s) G(s) = \frac{\omega}{s^{2} + \omega^{2}} \cdot \frac{1}{\tau s+ 1}
</math>

做拉普拉斯反变换，得到

<math>
V_{\text{out}}(t) = \frac{\tau \omega}{1 + \tau^{2}\omega^{2}}e^{-t/\tau} + \frac{1}{\sqrt{ (\omega \tau)^{2} + 1 }} \sin(\omega t - \arctan(\omega \tau))
</math>

称 <math>a(\omega) = \displaystyle \frac{1}{(\omega \tau)^{2}+1}</math> 为系统的幅频特性，<math>\phi(\omega) = -\arctan(\omega \tau)</math> 为其相频特性。可以看到当交流电频率增加时，输出电压的幅度降低：这是一个简单的低通滤波器。

===企业生长模型===

'''企业生长模型'''是[[张江]]团队提出的、基于企业[[规模标度律]]和企业财务平衡方程构建的企业资产变化的[[微分方程]]，刻画企业的平均生长动力学

==== 数学形式 ====
<math>
\frac{dA}{dt} = \frac{c_IA^{\beta_I}}{1-c_L \beta_L A^{\beta_L-1}}
</math>

其中：
* <math>A</math>是企业的资产
* <math>c_I</math>和<math>\beta_I</math>代表企业的资产和企业净利润<math>I</math>之间幂律关系的参数（<math>I = c_I A^{\beta_I}</math>）
* <math>c_L</math>和<math>\beta_L</math>代表资产和企业总债务<math>L</math>之间的幂律关系参数（<math>L = c_L A^{\beta_L}</math>）

上式被称为企业普适生长方程（General growth equation)

==== 解的形式 ====

上式方程直接积分，难以给出资产随时间的显式解析表达式，但可以给出企业资产生长轨迹的隐式解

<math>
\frac{A^{1-\beta_I}}{c_I(1-\beta_I)}\left[1-\left(\frac{1-\beta_I}{\beta_L-\beta_I}\right)c_L\beta_LA^{\beta_L-1}\right]\equiv f(A) = t
</math>

上式被称为企业通用生产曲线（general growth curve），其中，<math>t</math>是企业的市场年龄。右图展示了个体企业时间轨迹在平均尺度上和模型预测的吻合情况，结果显示，在美国、中国和欧洲的上市企业数据集中，模型表现和数据吻合。

详细介绍见[[文件:企业生长曲线.png|400px|thumb|right|企业生长曲线]]

当<math>\beta_L \approx 1</math>的时候，可以得到一个极佳的近似，此时企业生长方程的解是一个随时间变化的幂律形式：
<math>
A(t) \approx c t^{\gamma}
</math>

其中

* <math>\gamma \approx [1-\left(\frac{1-\beta_L}{1-\beta_I}\right)\left(\frac{c_L}{1-c_L}\right)]/(1-\beta_I)</math>
* <math> c = \exp \left\{ \frac{1}{1-\beta_I} \left[ \ln \frac{(1-\beta_I)c_I}{(1-c_L)}\right] \left[ 1- \left(\frac{1-\beta_L}{1-\beta_I}\right)\left(\frac{c_L}{1-c_L}\right) \right] + \frac{\beta_{I}(1-\beta_L)}{(1-\beta_I)^2}\left(\frac{c_L}{1-c_L}\right) \right\}</math>

====不动点分析====

分析企业生长方程的动力学性质，我们可知，方程只有一个不动点<math>A = 0</math>，该点意味着企业的资产为0，考虑到企业资产往往不会出现为0的情况，该点并无实际的经济意义。

====奇异点分析====

进一步分析可知，方程存在奇异点，即分母为0的情况，此时<math>dA/dt \to \infty</math>。下面我们对奇异点<math>A^*</math>展开分析。

令分母<math>D(x) = 1-c_L\beta_LA^{\beta_L-1} = 0</math>，得到奇异点<math>A^*=\left(c_L\beta_L\right)^{1/(1-\beta_L)}</math>

=====稳定性=====

对奇异点进行稳定性分析，即判断 <math>\left.\frac{d^2t}{dA^2}\right|_{A=A^*}=\frac{(A^*)^{-\beta_I-1}}{c_I}(1-\beta_L)</math>的正负。我们得到两种情况：
* 当<math>\beta_L > 1</math>时，<math> \frac{d^2t}{dA^2}< 0</math>，意味着此时奇异点是一个[[吸引子]]，企业生长靠近该点。
* 当<math>\beta_L < 1</math>时，<math> \frac{d^2t}{dA^2}< 0</math>，意味着此时奇异点是一个排斥子，企业规模远离该点。

右图展示了不同<math>\beta_L</math>取值情况的企业生长轨迹及其变化率的可视化图像

[[文件:Singularity.png|400px|thumb|right|企业生长轨迹及其变化率和不同参数的关系]]

=====经济含义=====

对应到企业生长行为，也可以分成对应两种类型的生长阈值
* 当<math>\beta_L > 1</math>时，由于此时[[奇点]]是一个[[吸引子]]，意味着小于规模[[奇点]]<math>A^*</math>的企业可以持续增长，而大于规模[[奇点]]<math>A^*</math>的企业则表现为衰退，此时[[奇点]]<math>A^*</math>是一个生长上限。
* 而当<math>\beta_L <1</math>时，由于此时[[奇点]]是一个排斥子，意味着大于规模[[奇点]]<math>A^*</math>的企业可以持续增长，而小于规模[[奇点]]<math>A^*</math>的企业则表现为衰退，此时[[奇点]]<math>A^*</math>是一个生长门槛。

= 参考文献 =
<references />

集智百科参与方式

2025-12-14T04:11:49Z

相信未来：/* 词条百科组成员 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[蓝梓杰]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[郑鸿盛]]、[[徐然]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|曹雨
|廊坊师范学院软件工程本科生，研究兴趣:复杂科学、人工智能
|[[部分信息分解]]
|2025.12.13
|
|进行中
|-
|2
|蓝梓杰
|佛山大学计算机科学本科生，研究兴趣：因果涌现、机器学习
|[[部分信息分解]]
|2025.11.28
|
|进行中
|-
|3
|黄芸
|上海交通大学计算机专业博士生，研究兴趣：kolmogorov复杂度
|[[Koopman理论]]
|2025.11.09
|
|进行中
|-
|4
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|5
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|6
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|7
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|8
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|9
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|10
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|11
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|12
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|13
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|14
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|15
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|16
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|17
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[Koopman理论]]
|2024.01.01
|
|组内学生
|-
|18
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|19
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]、[[神经网络的有效信息计算]]
|2025.07.01
|
|组内学生
|-
|20
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|21
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|22
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|23
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|24
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|25
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|26
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|27
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|32
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|33
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|34
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|35
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]

集智百科参与方式

2025-12-14T04:11:19Z

相信未来：/* 中级期 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[蓝梓杰]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[郑鸿盛]]、[[徐然]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|曹雨
|廊坊师范学院软件工程本科生，研究兴趣:复杂科学、人工智能
|[[部分信息分解]]
|2025.12.13
|
|进行中
|-
|2
|蓝梓杰
|佛山大学计算机科学本科生，研究兴趣：因果涌现、机器学习
|[[部分信息分解]]
|2025.11.28
|
|进行中
|-
|3
|黄芸
|上海交通大学计算机专业博士生，研究兴趣：kolmogorov复杂度
|[[Koopman理论]]
|2025.11.09
|
|进行中
|-
|4
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|5
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|6
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|7
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|8
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|9
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|10
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|11
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|12
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|13
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|14
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|15
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|16
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|17
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[Koopman理论]]
|2024.01.01
|
|组内学生
|-
|18
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|19
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]
|2025.07.01
|
|组内学生
|-
|20
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|21
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|22
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|23
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|24
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|25
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|26
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|27
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|32
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|33
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|34
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|35
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]

逻辑斯谛方程

2025-12-14T04:02:44Z

相信未来：/* 生态学与人口学 */

逻辑斯谛方程（Logistic Equation），又称逻辑斯谛增长模型，是一种描述在有限资源环境下种群规模增长的S形曲线数学模型。该模型由比利时数学家皮埃尔·弗朗索瓦·韦尔霍斯特（Pierre François Verhulst）于19世纪提出，如今已成为生态学、生物学、化学、人口学、经济学、地球科学、心理学、社会学、政治学、语言学、统计学、医学和机器学习等多个领域的核心模型之一。

逻辑斯谛方程的数学表达式为：<math>{\frac{dN}{dt} = λN(K - N)}</math>，是基于种群规模的增长率(<math>{\frac{dN}{dt}}</math>)与当前种群规模（<math>N</math>）成正比，同时也与环境容纳量（<math>K</math>）和当前种群规模之差（<math>K-N</math>）成正比的科学假设。

=历史=

逻辑斯谛方程的历史发展跨越两个世纪，融合了人口学、生物学和数学的交叉研究：

理论奠基：逻辑斯谛函数由比利时数学家皮埃尔·弗朗索瓦·韦尔霍斯特在1838年至1847年间发表的三篇论文中系统提出并发展。他在阿道夫·凯特勒的指导下，将其作为对指数增长模型的调整，用于描述人口增长。韦尔霍斯特在1838年的论文中首次提出了逻辑斯谛方程的微分形式，其中包含了由环境承载能力决定的种群平衡点<ref>Verhulst, Pierre Francois (1838). Notice sur la loi que la population suit dans son accroissement. Correspondance mathématique et Physigue, publiée par A. Quetelet, 10, 113-120.</ref>。1845年，他正式将方程的解曲线命名为“逻辑斯谛曲线”（图1）<ref>Verhulst, Pierre Francois (1845). Recherches mathématiques sur la loi d'accroissement dela population. Nouveaur Mémoires de l'Académie Royale des Sciences, des Lettres et desBeaux-Arts de Belgique, 18,1-38.</ref>。1847年，他在第三篇论文中对比利时人口增长模型的修正项进行了调整<ref>Verhulst, Pierre Francois (1847). Deuxième Mémoire sur la loi d'accroissement de la popula.tion. Nouveaur Mémoires de l'Académie Rouale des Sciences, des Lettres et des Beaur-Artsde Belgique, 20,1-32.</ref>。韦尔霍斯特选用“逻辑斯谛”一词，可能源于古希腊语λογῐστῐκός（logistikós，意为“计算”），该词指代古希腊数学的一个分支，大致相当于应用数学，以区别于线性（算术）增长和对数（几何/指数）增长，意在暗示其增长模型比一次函数和指数函数更贴合实际。

[[文件:Population_growth.png|替代=|居左|缩略图|300x300像素|图1. 指数增长（Exponential growth）和逻辑斯谛增长（Logistic growth）。图片来源：https://upload.wikimedia.org/wikipedia/en/1/1c/Population_growth.png]]

重新发现与推广：韦尔霍斯特的工作在当时并未引起广泛关注。直到1920年，美国生物学家雷蒙德·珀尔和洛厄尔·里德在研究果蝇种群增长和人口问题时独立重新发现了这一方程，并提出了现在广为流传的形式。他们的工作使得该方程在生物学界广为人知，因此该方程有时也被称为韦尔霍斯特-珀尔方程或“阻碍增长方程”<ref>Pearl, R., & Reed, L. J. (1920). On the rate of growth of the population of the United States since 1790 and its mathematical representation. Proceedings of the National Academy of Sciences, 6(6), 275–288.</ref>。

实验验证与理论拓展：1911年，A. G. McKendrick首次将逻辑斯谛方程用于描述肉汤中细菌的生长，并通过非线性参数估计进行了实验测试<ref>McKendrick, A. G., & Pai, M. K. (1912). XLV.—The Rate of Multiplication of Micro-organisms: A Mathematical Study. Proceedings of the Royal Society of Edinburgh, 31, 649-653.</ref>。1925年，数学生物学家阿弗雷德·洛特卡也独立推导出该方程，称其为“种群增长律”<ref>Lotka, A. J. (1925). Elements of physical biology. Williams & Wilkins.</ref>。

混沌理论发展：随着20世纪系统科学和混沌理论的发展，该方程的离散形式——[[逻辑斯谛映射]]被深入研究。罗伯特·梅在1976年发表于《自然》杂志的论文《简单数学模型中的复杂动力学》中<ref>May R. 1976. Simple mathematical models with very complicated dynamics. Nature 261, 459–467.</ref>，系统阐述了这一简单非线性方程如何产生复杂的混沌行为，从而使该模型成为混沌研究的经典范例<ref>Strogatz, S. H. (2018). Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering (2nd ed.). Boca Raton: CRC Press.</ref>。

模型地位的奠定：逻辑斯谛增长模型被视为与密度相关的种群连续增长模型的典型，其参数<math>r</math>（内禀增长率）和<math>K</math>（环境容纳量）已成为生物进化对策理论（如[[R/K选择理论]]）中的核心概念<ref>Pianka, E. R. (1970). On r- and K-selection. The American Naturalist, 104(940), 592–597.</ref><ref>Begon, M., Townsend, C. R., & Harper, J. L. (2006). Ecology: from individuals to ecosystems (4th ed.). Blackwell Publishing.</ref>。

=简介=

==问题背景==
种群增长的一个基础模型基于如下假设：在理想条件下（资源无限、空间充足、无天敌、无疾病），种群规模的增长率与种群规模本身成正比。该假设对某些生物种群（如细菌）的初期增长是合理的。
种群规模的增长率为其导数<math>\displaystyle{ \frac{dN}{dt} }</math>，因此上述假设可表示为：
{{NumBlk|:|
<math>
\begin{aligned}
\frac{dN}{dt} &= λN
\end{aligned}
</math>
|{{EquationRef|1}}}}
其中λ为比例常数。{{EquationNote|(1)}}式是一个包含未知函数<math>N</math>及其导数的微分方程，即著名的[[马尔萨斯模型]]（又称指数增长模型）<ref>Malthus, T. R. (1798). An essay on the principle of population. J. Johnson.</ref>（图1）。

设初始种群规模不为零，即对所有t有<math>N_{(t)} > 0</math>。若<math>λ > 0</math>，则由{{EquationNote|(1)}}式可知，种群将持续增长。
事实上，{{EquationNote|(1)}}式表明，随着<math>N_{(t)}</math>增大，增长率<math>\displaystyle{ \frac{dN}{dt} }</math>也同步增大，即增长率随种群规模扩大而加速。

求解{{EquationNote|(1)}}式，需找到导数为自身常数倍的函数，指数函数满足此性质。令 <math>\displaystyle{ N_{(t)} = C\mathrm{e}^{λt}}</math>，则有
<math>N ^ {\prime}{(t)} = C \left(λ e ^ {λ t}\right) = λ \left(C e ^ {λ t}\right) = λ N_{(t)}</math>，
因此，任何形如<math>N_{(t)} = C\mathrm{e}^{λt}</math>的指数函数都是方程的解。

令C取不同实数值，可得方程的解族<math>N_{(t)} = Ce^{λt}</math>。由于种群规模为正，故只取C > 0的解。代入初始时间t = 0，得<math>N(0) = Ce^{λ(0)} = C</math>，可知常数C即为初始种群规模<math>N_{(0)}</math>。

然而，自然界中的种群增长并非无限制。马尔萨斯模型描述了理想条件下（即资源无限时）的指数增长，但这在现实中几乎不存在。大多数增长过程会受到环境承载力（如食物、空间、天敌等）的限制。韦尔霍斯特意识到人口增长不仅与现有人口相关，还受可用资源制约，即存在一个最大承载量。

在环境资源有限的情况下，种群初始呈指数增长，当规模接近环境容纳量K时，增长趋于稳定（若规模超过K，则会下降至K）（图1）。一个符合现实的模型应满足以下两点：

当N很小时，<math>\frac{\mathrm{d}N}{\mathrm{d}t}\approx λN</math> （初始阶段，增长率与N成正比）；

当N > K时，<math>\frac{\mathrm{d}N}{\mathrm{d}t} < 0</math> （规模超过K时，种群数量减少）。

一种能同时满足上述两个假设的方法是，假定增长率与当前种群规模（<math>N</math>）成正比，同时也与剩余资源空间（<math>K-N</math>）成正比。
对应的微分方程为<math>\mathrm{d}N/ \mathrm{d}t = cN(K - N)</math>，其中c为比例常数。该式等价于<math>\frac{\mathrm{d}N}{\mathrm{d}t} = \frac{λN(K - N)}{K}</math>，其中<math>λ = cK</math>。

==核心思想==

逻辑斯谛方程的核心思想是：种群增长率受双重因素影响，既与当前种群规模（<math>N</math>）成正比，也与剩余资源空间（<math>K-N</math>）成正比。随着种群规模接近环境承载力K，其增长率将逐渐下降至零，从而实现种群的自我调节。这种增长模式表现为典型的S形曲线，根据增长速率的变化，其过程可细分为五个时期：①开始期（潜伏期），种群数量少，增长缓慢；②加速期，增长逐渐加快；③转折期，当种群数量达到K/2时，增长速率最快；④减速期，增长逐渐变慢；⑤饱和期，种群数量达到K值并维持稳定<ref>Kucharavy, D., Roland, DG. (2015). Application of logistic growth curve. Procedia engineering, 131, 280-290. </ref>（图2）。

=主要内容=

==微分形式与推导==
逻辑斯谛方程的标准微分形式为：{{NumBlk|:|
<math>
\begin{aligned}
\frac{dN}{dt} &= λN(1-\frac{N}{K})
\end{aligned}
</math>
|{{EquationRef|2}}}}

其中：

<math>N_{(t)}</math>: 时间t时的种群规模；

<math>λ</math>: 内禀增长率，表示理想条件下种群的最大增长潜力；

<math>K</math>: 环境承载力，即环境所能支持的最大种群规模；

<math>\frac{dN}{dt}</math>: 种群在时刻t的瞬时增长率。

该方程亦可从韦尔霍斯特最初提出的形式推导而来。其原始形式为<math>\frac{dN}{dt} = λN - \alpha N^2</math> ，其中<math> \alpha</math>表示密度依赖的拥挤效应（种内竞争）。通过变量替换<math> K = \frac{λ}{\alpha}</math>即可得到标准形式。

==解析解与S形曲线==

逻辑斯谛方程是一个可分离变量的微分方程，其解析解为：
{{NumBlk|:|
<math>
\begin{aligned}
N_{(t)} = \frac{K}{1+(\frac{K-N_0}{N_0})e^{-λt}}
\end{aligned}
</math>
|{{EquationRef|3}}}}
或等价写作：<math>N_{(t)} = \frac{K}{1 + C K e^{-λt}}</math>，其中<math>C = \frac{1}{N_0} - \frac{1}{K}</math>是由初始条件决定的常数。

该解描述了一条S形曲线（又称sigmoid曲线），其增长过程可分为三个阶段：

初始阶段（<math>N \ll K</math>）：增长近似指数增长，曲线呈凹形上升；

过渡阶段（<math>N \approx K/2</math>）：增长速度达到最大值，曲线出现拐点；

饱和阶段（<math>N \to K</math>）：增长逐渐减缓并趋近于零，种群规模稳定在承载力K附近。

==方程的性质==

===逻辑斯谛系数与调节机制===
方程中的因子<math>(1-\frac{N}{K})</math>称为逻辑斯谛系数，它体现了密度依赖的调节作用。当N很小时，该系数接近1，方程近似于指数增长；随着N增大，该系数减小，对增长的抑制作用增强；当N=K时，系数为0，增长停止。

===不动点与稳定性===
逻辑斯谛方程有两个不动点（平衡点）：

<math>N = 0</math>：为不稳定平衡点，表示种群灭绝；

<math>N = K</math>：为稳定平衡点，表示种群达到环境承载力。

对原方程 <math>dN/dt = f(N) = λN(1-N/K)</math> 进行线性稳定性分析。计算导数 <math>f'(N) = λ(1 - 2N/K)</math>。在 <math>N=0 </math>处，<math>f'(0) = λ > 0</math>，微扰会指数增长，故为不稳定平衡点；在 <math>N=K</math> 处，<math>f'(K) = -λ < 0</math>，微扰会指数衰减，故为稳定平衡点。

当 <math>N < K</math>时，逻辑斯谛系数为正，种群数量上升；当<math>N > K</math> 时，系数为负，种群数量下降；当<math>N = K</math> 时，系数为零，种群数量保持不变。

===拐点与最大增长速率===
逻辑斯谛曲线的拐点出现在 <math>N = \frac{K}{2}</math>处，此时种群增长速率（<math>\frac{dN}{dt}</math>）达到最大值<math>\frac{λK}{4}</math> （图2）。这一性质在资源管理中有直接应用，例如在渔业和林业中，将种群数量维持在K/2左右，可以获得最大可持续产量而不损害资源再生能力。
[[文件:Logistic curve.jpg|替代=|居左|缩略图|300x300像素|图2. 简单逻辑斯谛曲线的示意图。增长率函数在同一图上以钟形曲线表示。引自<ref>Kucharavy, D., Roland, DG. (2015). Application of logistic growth curve. Procedia engineering, 131, 280-290. </ref>]]

==离散形式的逻辑斯谛方程==
逻辑斯谛方程的离散形式称为[[逻辑斯谛映射]]，其表达式为：<math>x_{n+1} = r x_n (1 - x_n)</math>，其中<math>x_n</math>表示第n代的种群规模（通常归一化到[0,1]区间），<math>r</math>为增长参数。该离散模型可视为通过欧拉前差法从连续方程近似得到，是研究混沌动力学的经典模型。当参数<math>r</math>变化时，系统会经历倍周期分岔通向混沌，展示了确定性非线性系统内在的复杂性与不可预测性<ref>Strogatz, S. H. (2018). Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering (2nd ed.). Boca Raton: CRC Press.</ref><ref>May, R. M. (1976). Simple mathematical models with very complicated dynamics. Nature, 261(5560), 459–467.</ref><ref>Feigenbaum, M. J. (1978). Quantitative universality for a class of nonlinear transformations. Journal of Statistical Physics, 19(1), 25–52.</ref>。

== 推广 ==

逻辑斯谛方程有多种推广形式，以适应更复杂的现实情况：

广义逻辑斯谛曲线（理查兹曲线）：引入形状参数<math>\nu</math>，方程形式为<math>\frac{dN}{dt} = \frac{λ}{\nu} N [1-(\frac{N}{K})^\nu]</math>，以增强拟合灵活性，常用于不对称增长或流行病建模<ref>Richards, F. J. (1959). A Flexible Growth Function for Empirical Use. Journal of Experimental Botany, 10(2), 290–301.</ref><ref>Tjørve, E., & Tjørve, K. M. C. (2010). A unified approach to the Richards-model family for use in growth analyses: why we need only two model forms. Journal of Theoretical Biology, 267(3), 417–425.</ref>。

时滞逻辑斯谛方程：考虑种群对资源影响的延迟反馈，方程形式为<math>\frac{dN}{dt} = λN(t)[1-\frac{N(t-\tau)}{K}]</math>，可能产生振荡等复杂动态<ref>Hutchinson, G. E. (1948). Circular causal systems in ecology. Annals of the New York Academy of Sciences, 50(4), 221–246.</ref>。

空间逻辑斯谛模型：结合反应-扩散方程，研究种群在空间中的分布与传播模式<ref>Fisher, R. A. (1937). The wave of advance of advantageous genes. Annals of Eugenics, 7(4), 355–369.</ref>。

冈珀茨函数：常用于描述生长速度不对称的生长过程，如肿瘤生长<ref>Gompertz, B. (1825). On the nature of the function expressive of the law of human mortality. Philosophical Transactions of the Royal Society of London, 115, 513–585.</ref>。

超博拉斯特函数：用于更复杂的生长模式建模<ref>West, G. B., Brown, J. H., & Enquist, B. J. (2001). A general model for ontogenetic growth. Nature, 413(6856), 628–631.</ref>。

在统计学中，逻辑斯谛函数的多元推广是softmax函数，用于处理多类别分类问题。

=应用=

==生态学与人口学==

逻辑斯谛方程最初且最直接的应用领域是生态学与人口学：

* '''种群动力学'''：描述有限资源下生物种群的增长规律，如果蝇、细菌等。它也是许多相互作用种群模型（如捕食-被捕食模型）的基础<ref>Lotka, A. J. (1925). Elements of physical biology. Williams & Wilkins.</ref><ref>Volterra, V. (1926). Variazioni e fluttuazioni del numero d'individui in specie animali conviventi. Mem. R. Accad. Naz. dei Lincei, 2, 31–113.</ref>。

* 人口预测：用于模拟和预测人类人口增长，如珀尔和里德对美国人口的研究<ref>Cohen, J. E. (1995). How many people can the earth support? W. W. Norton & Company.</ref>。

* 资源管理：指导渔业、林业等可再生资源的可持续利用，避免过度开发。其核心原则是使资源种群数量保持在环境容纳量K的一半（K/2）附近，此时种群增长速率最大，可获得最大持续产量<ref>Clark, C. W. (1990). Mathematical bioeconomics: the optimal management of renewable resources (2nd ed.). New York: Wiley.</ref>。

* 在人口学中，该模型通常写作：<math>{\displaystyle {\frac {dN}{dt}}=rN\left(1-{\frac {N}{K}}\right)}</math>，
其中常数<math>r</math>为种群（人口）增长率，<math>K</math>为环境承载力。
方程中，早期的几乎无阻力的增长率来自<math>rN</math>。增长率r代表种群（人口）数量N在一个单位时间内的增长比例。随着人口增长，第二项<math>{\frac{-rN^2}{K}}</math>变得几乎和第一项一样大，种群N内的个体之间开始争夺某些关键资源（例如食物或生存空间）而相互干扰。这种对抗效应称为“瓶颈”，由参数K代表。竞争会降低总增长率，直到N停止增长（种群/人口成熟）。方程的解（<math>N_{0}</math>为初始种群/人口数量）为
<math>{\displaystyle N(t)={\frac {KN_{0}e^{rt}}{K+N_{0}\left(e^{rt}-1\right)}}={\frac {K}{1+\left({\frac {K-N_{0}}{N_{0}}}\right)e^{-rt}}}}</math>，
其中：<math>{\displaystyle \lim _{t\to \infty }N(t)=K}</math>。
因此，K是N的极限值，即经过足够长时间后，种群（人口）规模所能达到的最大值。值得注意的是，只要初始值<math>{\displaystyle N(0)>0}</math>，无论取值多少，种群数量都会渐近逼近环境承载力K，即使初始值<math>{\displaystyle N(0)>K}</math>也是如此。

生态学中有时称一个物种是R策略或K策略([[R/K选择理论]])的，这是指它们在自然选择过程形成的生物生命周期策略。进行无量纲化，使n代表以环境承载力单位计的种群数量，<math>{\displaystyle \tau }</math>代表以<math>{\displaystyle 1/r}</math>的单位计量的时间，得出无量纲微分方程：
<math>{\displaystyle {\frac {dn}{d\tau }}=n(1-n)}</math>。
若环境承载力随时间变化，即<math>{\displaystyle K(t)>0}</math>，则得到以下数学模型：
<math>{\displaystyle {\frac {dN}{dt}}=rN\cdot \left(1-{\frac {N}{K(t)}}\right)}</math>
其中一种特别重要的情况是承载力呈周期变化：
<math>{\displaystyle K(t+T)=K(t)}</math>，
此时，只要初始值<math>{\displaystyle N(0)>0}</math>，<math>{\displaystyle N(t)}</math>会逼近一个周期为<math>{\displaystyle T}</math>的周期解<math>{\displaystyle N_{*}(t)}</math>。

<math>{\displaystyle T}</math>的典型取值为1年，在此情况下，<math>{\displaystyle K(t)}</math>可表示天气条件的周期性变化。
另一个有趣的一般化情形是考虑承载能力<math>K_{(t)}</math>作为关于较早时间的种群数量的函数，以表示种群改变其所处环境的延迟。这就构成了一个逻辑斯谛时滞方程，它具有非常丰富的行为，在某些参数范围内呈现双稳定，以及单调衰减至零、平滑指数增长、间断无限增长（即多个S形）、间断增长或交替到平稳水平、振荡接近稳定水平、持续振荡、有限时间奇异点以及有限时间死亡。

==医学：流行病传播模型==

在医学领域，逻辑斯谛方程被广泛应用于流行病学建模：

疾病传播：在经典的SIR模型中，逻辑斯谛方程可以近似描述在疾病爆发初期，易感人群数量庞大时，感染者人数的增长模式。在COVID-19大流行期间，广义逻辑斯谛曲线被广泛用于拟合和预测各国感染病例的增长轨迹<ref>Lee, S. Y., Lei, B., & Mallick, B. (2020). Estimation of COVID-19 spread curves integrating global data and borrowing information. PLOS ONE, 15(7), e0236860.</ref><ref>Chowell, G., Hengartner, N. W., Castillo-Chavez, C., Fenimore, P. W., & Hyman, J. M. (2004). The basic reproductive number of Ebola and the effects of public health measures: the cases of Congo and Uganda. Journal of Theoretical Biology, 229(1), 119–126.</ref>。

疫情预测：在COVID-19疫情期间，广义逻辑斯谛函数（理查兹增长曲线）被用于拟合感染轨迹，预测疫情发展趋势<ref>Roosa, K., Lee, Y., Luo, R., Kirpich, A., Rothenberg, R., Hyman, J. M. & Chowell, G. (2020). Real-time forecasts of the COVID-19 epidemic in China from February 5th to February 24th, 2020. Infectious Disease Modelling, 5, 256–263.</ref>。

肿瘤生长：用于描述肿瘤在营养限制条件下的生长动力学。可将其视为上述生态学/人口学模型的延伸。以<math>{\displaystyle X(t)}</math>表示肿瘤在时间<math>{\displaystyle t}</math>的大小，其变化动态遵循
<math>{\displaystyle X'=r\left(1-{\frac {X}{K}}\right)X}</math>，
属于以下类型：
<math>{\displaystyle X'=F(X)X,\quad F'(X)\leq 0,}</math>，
其中<math>{\displaystyle F(X)}</math>为肿瘤增殖率。

若采用化疗产生对数杀伤效果，则等式修改为
<math>{\displaystyle X'=r\left(1-{\frac {X}{K}}\right)X-c(t)X}</math>，
其中<math>{\displaystyle c(t)}</math>为治疗引起的肿瘤死亡率。在理想化的长期治疗下，<math>{\displaystyle c(t)}</math>可模型化为周期为<math>{\displaystyle T}</math>的周期函数或常数函数（如持续输液），且有
<math>{\displaystyle {\frac {1}{T}}\int _{0}^{T}c(t)\,dt>r\to \lim _{t\to +\infty }x(t)=0}</math>，
即，如果平均治疗引起的肿瘤死亡率大于基线增殖率，则疾病能被根除。当然，这是一个过于简化的生长和治疗模型（例如没有考虑克隆抗性现象）<ref>Simeoni, M., Magni, P., Cammia, C., De Nicolao, G., Croci, V., Pesenti, E., ... & Rocchetti, M. (2004). Predictive pharmacokinetic-pharmacodynamic modeling of tumor growth kinetics in xenograft models after administration of anticancer agents. Cancer Research, 64(3), 1094–1101.</ref>。

==化学与物理学==

逻辑斯谛方程在化学和物理学中也有重要应用：

自催化反应：描述自催化化学反应中反应物和产物浓度的变化规律。例如，某些燃料电池催化剂的衰减过程遵循逻辑斯谛规律，提示其为自催化分解机制<ref>Epstein, I. R., & Pojman, J. A. (1998). An introduction to nonlinear chemical dynamics: oscillations, waves, patterns, and chaos. Oxford University Press.</ref>。

费米-狄拉克分布：在统计物理中，逻辑斯谛函数决定了费米子在热平衡系统中各能态的占据概率分布<ref>Reif, F. (1965). Fundamentals of statistical and thermal physics. McGraw-Hill.</ref>。

相变模型：用于描述材料科学中的某些相变过程<ref>Stanley, H. E. (1971). Introduction to phase transitions and critical phenomena. Oxford University Press.</ref>。

==经济学、语言学、社会学与技术创新扩散==

在经济学和社会科学中，逻辑斯谛方程用于描述各种扩散过程：

经济发展：用于分析经济增长的长期周期和基础设施建设的扩散过程。

市场预测：预测新产品市场占有率的增长和饱和趋势<ref>Bass, F. M. (1969). A new product growth for model consumer durables. Management Science, 15(5), 215–227.</ref>。

语言学：用于对语言变化进行建模，如新词汇或语法结构的传播速度随时间呈S形变化。

创新扩散：巴斯扩散模型的核心就是逻辑斯谛方程，用于描述新产品或新技术在人群中采纳的过程：从早期采用者到晚期大众，最后市场饱和。

==机器学习：[[逻辑斯谛回归]]与激活函数==

在机器学习领域，逻辑斯谛函数是[[逻辑斯谛回归]]的基础：

二分类问题：通过逻辑斯谛函数（Sigmoid函数）将线性组合的输出映射到（0,1）区间，解释为概率。

多分类扩展：通过softmax函数推广到多类别分类问题。

深度学习：作为神经网络的激活函数，引入非线性特性。标准逻辑斯谛函数<math>\sigma(x) = 1/(1+e^{-x})</math>是双曲正切函数<math>\tanh(x)</math>的缩放平移，即<math>\sigma(x) = \frac{1}{2} + \frac{1}{2}\tanh(\frac{x}{2})</math>。

[[逻辑斯谛回归]]源于1944年约瑟夫·伯克森基于逻辑斯谛函数提出的logit函数，后来由大卫·考克斯在1958年正式命名为[[逻辑斯谛回归]]。如今，它已成为分类问题中最广泛使用的算法之一<ref>Berkson, J. (1944). Application of the logistic function to bio-assay. Journal of the American Statistical Association, 39(227), 357–365.</ref><ref>Cox, D. R. (1958). Two further applications of a model for binary regression. Biometrika, 45(3/4), 562–565.</ref>。

= 参考 =
<references />

逻辑斯谛方程

2025-12-14T04:02:29Z

相信未来：/* 生态学与人口学 */

逻辑斯谛方程

2025-12-14T04:02:07Z

相信未来：/* 生态学与人口学 */

逻辑斯谛方程（Logistic Equation），又称逻辑斯谛增长模型，是一种描述在有限资源环境下种群规模增长的S形曲线数学模型。该模型由比利时数学家皮埃尔·弗朗索瓦·韦尔霍斯特（Pierre François Verhulst）于19世纪提出，如今已成为生态学、生物学、化学、人口学、经济学、地球科学、心理学、社会学、政治学、语言学、统计学、医学和机器学习等多个领域的核心模型之一。

逻辑斯谛方程的数学表达式为：<math>{\frac{dN}{dt} = λN(K - N)}</math>，是基于种群规模的增长率(<math>{\frac{dN}{dt}}</math>)与当前种群规模（<math>N</math>）成正比，同时也与环境容纳量（<math>K</math>）和当前种群规模之差（<math>K-N</math>）成正比的科学假设。

=历史=

逻辑斯谛方程的历史发展跨越两个世纪，融合了人口学、生物学和数学的交叉研究：

理论奠基：逻辑斯谛函数由比利时数学家皮埃尔·弗朗索瓦·韦尔霍斯特在1838年至1847年间发表的三篇论文中系统提出并发展。他在阿道夫·凯特勒的指导下，将其作为对指数增长模型的调整，用于描述人口增长。韦尔霍斯特在1838年的论文中首次提出了逻辑斯谛方程的微分形式，其中包含了由环境承载能力决定的种群平衡点<ref>Verhulst, Pierre Francois (1838). Notice sur la loi que la population suit dans son accroissement. Correspondance mathématique et Physigue, publiée par A. Quetelet, 10, 113-120.</ref>。1845年，他正式将方程的解曲线命名为“逻辑斯谛曲线”（图1）<ref>Verhulst, Pierre Francois (1845). Recherches mathématiques sur la loi d'accroissement dela population. Nouveaur Mémoires de l'Académie Royale des Sciences, des Lettres et desBeaux-Arts de Belgique, 18,1-38.</ref>。1847年，他在第三篇论文中对比利时人口增长模型的修正项进行了调整<ref>Verhulst, Pierre Francois (1847). Deuxième Mémoire sur la loi d'accroissement de la popula.tion. Nouveaur Mémoires de l'Académie Rouale des Sciences, des Lettres et des Beaur-Artsde Belgique, 20,1-32.</ref>。韦尔霍斯特选用“逻辑斯谛”一词，可能源于古希腊语λογῐστῐκός（logistikós，意为“计算”），该词指代古希腊数学的一个分支，大致相当于应用数学，以区别于线性（算术）增长和对数（几何/指数）增长，意在暗示其增长模型比一次函数和指数函数更贴合实际。

[[文件:Population_growth.png|替代=|居左|缩略图|300x300像素|图1. 指数增长（Exponential growth）和逻辑斯谛增长（Logistic growth）。图片来源：https://upload.wikimedia.org/wikipedia/en/1/1c/Population_growth.png]]

重新发现与推广：韦尔霍斯特的工作在当时并未引起广泛关注。直到1920年，美国生物学家雷蒙德·珀尔和洛厄尔·里德在研究果蝇种群增长和人口问题时独立重新发现了这一方程，并提出了现在广为流传的形式。他们的工作使得该方程在生物学界广为人知，因此该方程有时也被称为韦尔霍斯特-珀尔方程或“阻碍增长方程”<ref>Pearl, R., & Reed, L. J. (1920). On the rate of growth of the population of the United States since 1790 and its mathematical representation. Proceedings of the National Academy of Sciences, 6(6), 275–288.</ref>。

实验验证与理论拓展：1911年，A. G. McKendrick首次将逻辑斯谛方程用于描述肉汤中细菌的生长，并通过非线性参数估计进行了实验测试<ref>McKendrick, A. G., & Pai, M. K. (1912). XLV.—The Rate of Multiplication of Micro-organisms: A Mathematical Study. Proceedings of the Royal Society of Edinburgh, 31, 649-653.</ref>。1925年，数学生物学家阿弗雷德·洛特卡也独立推导出该方程，称其为“种群增长律”<ref>Lotka, A. J. (1925). Elements of physical biology. Williams & Wilkins.</ref>。

混沌理论发展：随着20世纪系统科学和混沌理论的发展，该方程的离散形式——[[逻辑斯谛映射]]被深入研究。罗伯特·梅在1976年发表于《自然》杂志的论文《简单数学模型中的复杂动力学》中<ref>May R. 1976. Simple mathematical models with very complicated dynamics. Nature 261, 459–467.</ref>，系统阐述了这一简单非线性方程如何产生复杂的混沌行为，从而使该模型成为混沌研究的经典范例<ref>Strogatz, S. H. (2018). Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering (2nd ed.). Boca Raton: CRC Press.</ref>。

模型地位的奠定：逻辑斯谛增长模型被视为与密度相关的种群连续增长模型的典型，其参数<math>r</math>（内禀增长率）和<math>K</math>（环境容纳量）已成为生物进化对策理论（如[[R/K选择理论]]）中的核心概念<ref>Pianka, E. R. (1970). On r- and K-selection. The American Naturalist, 104(940), 592–597.</ref><ref>Begon, M., Townsend, C. R., & Harper, J. L. (2006). Ecology: from individuals to ecosystems (4th ed.). Blackwell Publishing.</ref>。

=简介=

==问题背景==
种群增长的一个基础模型基于如下假设：在理想条件下（资源无限、空间充足、无天敌、无疾病），种群规模的增长率与种群规模本身成正比。该假设对某些生物种群（如细菌）的初期增长是合理的。
种群规模的增长率为其导数<math>\displaystyle{ \frac{dN}{dt} }</math>，因此上述假设可表示为：
{{NumBlk|:|
<math>
\begin{aligned}
\frac{dN}{dt} &= λN
\end{aligned}
</math>
|{{EquationRef|1}}}}
其中λ为比例常数。{{EquationNote|(1)}}式是一个包含未知函数<math>N</math>及其导数的微分方程，即著名的[[马尔萨斯模型]]（又称指数增长模型）<ref>Malthus, T. R. (1798). An essay on the principle of population. J. Johnson.</ref>（图1）。

设初始种群规模不为零，即对所有t有<math>N_{(t)} > 0</math>。若<math>λ > 0</math>，则由{{EquationNote|(1)}}式可知，种群将持续增长。
事实上，{{EquationNote|(1)}}式表明，随着<math>N_{(t)}</math>增大，增长率<math>\displaystyle{ \frac{dN}{dt} }</math>也同步增大，即增长率随种群规模扩大而加速。

求解{{EquationNote|(1)}}式，需找到导数为自身常数倍的函数，指数函数满足此性质。令 <math>\displaystyle{ N_{(t)} = C\mathrm{e}^{λt}}</math>，则有
<math>N ^ {\prime}{(t)} = C \left(λ e ^ {λ t}\right) = λ \left(C e ^ {λ t}\right) = λ N_{(t)}</math>，
因此，任何形如<math>N_{(t)} = C\mathrm{e}^{λt}</math>的指数函数都是方程的解。

令C取不同实数值，可得方程的解族<math>N_{(t)} = Ce^{λt}</math>。由于种群规模为正，故只取C > 0的解。代入初始时间t = 0，得<math>N(0) = Ce^{λ(0)} = C</math>，可知常数C即为初始种群规模<math>N_{(0)}</math>。

然而，自然界中的种群增长并非无限制。马尔萨斯模型描述了理想条件下（即资源无限时）的指数增长，但这在现实中几乎不存在。大多数增长过程会受到环境承载力（如食物、空间、天敌等）的限制。韦尔霍斯特意识到人口增长不仅与现有人口相关，还受可用资源制约，即存在一个最大承载量。

在环境资源有限的情况下，种群初始呈指数增长，当规模接近环境容纳量K时，增长趋于稳定（若规模超过K，则会下降至K）（图1）。一个符合现实的模型应满足以下两点：

当N很小时，<math>\frac{\mathrm{d}N}{\mathrm{d}t}\approx λN</math> （初始阶段，增长率与N成正比）；

当N > K时，<math>\frac{\mathrm{d}N}{\mathrm{d}t} < 0</math> （规模超过K时，种群数量减少）。

一种能同时满足上述两个假设的方法是，假定增长率与当前种群规模（<math>N</math>）成正比，同时也与剩余资源空间（<math>K-N</math>）成正比。
对应的微分方程为<math>\mathrm{d}N/ \mathrm{d}t = cN(K - N)</math>，其中c为比例常数。该式等价于<math>\frac{\mathrm{d}N}{\mathrm{d}t} = \frac{λN(K - N)}{K}</math>，其中<math>λ = cK</math>。

==核心思想==

逻辑斯谛方程的核心思想是：种群增长率受双重因素影响，既与当前种群规模（<math>N</math>）成正比，也与剩余资源空间（<math>K-N</math>）成正比。随着种群规模接近环境承载力K，其增长率将逐渐下降至零，从而实现种群的自我调节。这种增长模式表现为典型的S形曲线，根据增长速率的变化，其过程可细分为五个时期：①开始期（潜伏期），种群数量少，增长缓慢；②加速期，增长逐渐加快；③转折期，当种群数量达到K/2时，增长速率最快；④减速期，增长逐渐变慢；⑤饱和期，种群数量达到K值并维持稳定<ref>Kucharavy, D., Roland, DG. (2015). Application of logistic growth curve. Procedia engineering, 131, 280-290. </ref>（图2）。

=主要内容=

==微分形式与推导==
逻辑斯谛方程的标准微分形式为：{{NumBlk|:|
<math>
\begin{aligned}
\frac{dN}{dt} &= λN(1-\frac{N}{K})
\end{aligned}
</math>
|{{EquationRef|2}}}}

其中：

<math>N_{(t)}</math>: 时间t时的种群规模；

<math>λ</math>: 内禀增长率，表示理想条件下种群的最大增长潜力；

<math>K</math>: 环境承载力，即环境所能支持的最大种群规模；

<math>\frac{dN}{dt}</math>: 种群在时刻t的瞬时增长率。

该方程亦可从韦尔霍斯特最初提出的形式推导而来。其原始形式为<math>\frac{dN}{dt} = λN - \alpha N^2</math> ，其中<math> \alpha</math>表示密度依赖的拥挤效应（种内竞争）。通过变量替换<math> K = \frac{λ}{\alpha}</math>即可得到标准形式。

==解析解与S形曲线==

逻辑斯谛方程是一个可分离变量的微分方程，其解析解为：
{{NumBlk|:|
<math>
\begin{aligned}
N_{(t)} = \frac{K}{1+(\frac{K-N_0}{N_0})e^{-λt}}
\end{aligned}
</math>
|{{EquationRef|3}}}}
或等价写作：<math>N_{(t)} = \frac{K}{1 + C K e^{-λt}}</math>，其中<math>C = \frac{1}{N_0} - \frac{1}{K}</math>是由初始条件决定的常数。

该解描述了一条S形曲线（又称sigmoid曲线），其增长过程可分为三个阶段：

初始阶段（<math>N \ll K</math>）：增长近似指数增长，曲线呈凹形上升；

过渡阶段（<math>N \approx K/2</math>）：增长速度达到最大值，曲线出现拐点；

饱和阶段（<math>N \to K</math>）：增长逐渐减缓并趋近于零，种群规模稳定在承载力K附近。

==方程的性质==

===逻辑斯谛系数与调节机制===
方程中的因子<math>(1-\frac{N}{K})</math>称为逻辑斯谛系数，它体现了密度依赖的调节作用。当N很小时，该系数接近1，方程近似于指数增长；随着N增大，该系数减小，对增长的抑制作用增强；当N=K时，系数为0，增长停止。

===不动点与稳定性===
逻辑斯谛方程有两个不动点（平衡点）：

<math>N = 0</math>：为不稳定平衡点，表示种群灭绝；

<math>N = K</math>：为稳定平衡点，表示种群达到环境承载力。

对原方程 <math>dN/dt = f(N) = λN(1-N/K)</math> 进行线性稳定性分析。计算导数 <math>f'(N) = λ(1 - 2N/K)</math>。在 <math>N=0 </math>处，<math>f'(0) = λ > 0</math>，微扰会指数增长，故为不稳定平衡点；在 <math>N=K</math> 处，<math>f'(K) = -λ < 0</math>，微扰会指数衰减，故为稳定平衡点。

当 <math>N < K</math>时，逻辑斯谛系数为正，种群数量上升；当<math>N > K</math> 时，系数为负，种群数量下降；当<math>N = K</math> 时，系数为零，种群数量保持不变。

===拐点与最大增长速率===
逻辑斯谛曲线的拐点出现在 <math>N = \frac{K}{2}</math>处，此时种群增长速率（<math>\frac{dN}{dt}</math>）达到最大值<math>\frac{λK}{4}</math> （图2）。这一性质在资源管理中有直接应用，例如在渔业和林业中，将种群数量维持在K/2左右，可以获得最大可持续产量而不损害资源再生能力。
[[文件:Logistic curve.jpg|替代=|居左|缩略图|300x300像素|图2. 简单逻辑斯谛曲线的示意图。增长率函数在同一图上以钟形曲线表示。引自<ref>Kucharavy, D., Roland, DG. (2015). Application of logistic growth curve. Procedia engineering, 131, 280-290. </ref>]]

==离散形式的逻辑斯谛方程==
逻辑斯谛方程的离散形式称为[[逻辑斯谛映射]]，其表达式为：<math>x_{n+1} = r x_n (1 - x_n)</math>，其中<math>x_n</math>表示第n代的种群规模（通常归一化到[0,1]区间），<math>r</math>为增长参数。该离散模型可视为通过欧拉前差法从连续方程近似得到，是研究混沌动力学的经典模型。当参数<math>r</math>变化时，系统会经历倍周期分岔通向混沌，展示了确定性非线性系统内在的复杂性与不可预测性<ref>Strogatz, S. H. (2018). Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering (2nd ed.). Boca Raton: CRC Press.</ref><ref>May, R. M. (1976). Simple mathematical models with very complicated dynamics. Nature, 261(5560), 459–467.</ref><ref>Feigenbaum, M. J. (1978). Quantitative universality for a class of nonlinear transformations. Journal of Statistical Physics, 19(1), 25–52.</ref>。

== 推广 ==

逻辑斯谛方程有多种推广形式，以适应更复杂的现实情况：

广义逻辑斯谛曲线（理查兹曲线）：引入形状参数<math>\nu</math>，方程形式为<math>\frac{dN}{dt} = \frac{λ}{\nu} N [1-(\frac{N}{K})^\nu]</math>，以增强拟合灵活性，常用于不对称增长或流行病建模<ref>Richards, F. J. (1959). A Flexible Growth Function for Empirical Use. Journal of Experimental Botany, 10(2), 290–301.</ref><ref>Tjørve, E., & Tjørve, K. M. C. (2010). A unified approach to the Richards-model family for use in growth analyses: why we need only two model forms. Journal of Theoretical Biology, 267(3), 417–425.</ref>。

时滞逻辑斯谛方程：考虑种群对资源影响的延迟反馈，方程形式为<math>\frac{dN}{dt} = λN(t)[1-\frac{N(t-\tau)}{K}]</math>，可能产生振荡等复杂动态<ref>Hutchinson, G. E. (1948). Circular causal systems in ecology. Annals of the New York Academy of Sciences, 50(4), 221–246.</ref>。

空间逻辑斯谛模型：结合反应-扩散方程，研究种群在空间中的分布与传播模式<ref>Fisher, R. A. (1937). The wave of advance of advantageous genes. Annals of Eugenics, 7(4), 355–369.</ref>。

冈珀茨函数：常用于描述生长速度不对称的生长过程，如肿瘤生长<ref>Gompertz, B. (1825). On the nature of the function expressive of the law of human mortality. Philosophical Transactions of the Royal Society of London, 115, 513–585.</ref>。

超博拉斯特函数：用于更复杂的生长模式建模<ref>West, G. B., Brown, J. H., & Enquist, B. J. (2001). A general model for ontogenetic growth. Nature, 413(6856), 628–631.</ref>。

在统计学中，逻辑斯谛函数的多元推广是softmax函数，用于处理多类别分类问题。

=应用=

==生态学与人口学==

逻辑斯谛方程最初且最直接的应用领域是生态学与人口学：

* 种群动力学：描述有限资源下生物种群的增长规律，如果蝇、细菌等。它也是许多相互作用种群模型（如捕食-被捕食模型）的基础<ref>Lotka, A. J. (1925). Elements of physical biology. Williams & Wilkins.</ref><ref>Volterra, V. (1926). Variazioni e fluttuazioni del numero d'individui in specie animali conviventi. Mem. R. Accad. Naz. dei Lincei, 2, 31–113.</ref>。

* 人口预测：用于模拟和预测人类人口增长，如珀尔和里德对美国人口的研究<ref>Cohen, J. E. (1995). How many people can the earth support? W. W. Norton & Company.</ref>。

* 资源管理：指导渔业、林业等可再生资源的可持续利用，避免过度开发。其核心原则是使资源种群数量保持在环境容纳量K的一半（K/2）附近，此时种群增长速率最大，可获得最大持续产量<ref>Clark, C. W. (1990). Mathematical bioeconomics: the optimal management of renewable resources (2nd ed.). New York: Wiley.</ref>。

* 在人口学中，该模型通常写作：<math>{\displaystyle {\frac {dN}{dt}}=rN\left(1-{\frac {N}{K}}\right)}</math>，
其中常数<math>r</math>为种群（人口）增长率，<math>K</math>为环境承载力。
方程中，早期的几乎无阻力的增长率来自<math>rN</math>。增长率r代表种群（人口）数量N在一个单位时间内的增长比例。随着人口增长，第二项<math>{\frac{-rN^2}{K}}</math>变得几乎和第一项一样大，种群N内的个体之间开始争夺某些关键资源（例如食物或生存空间）而相互干扰。这种对抗效应称为“瓶颈”，由参数K代表。竞争会降低总增长率，直到N停止增长（种群/人口成熟）。方程的解（<math>N_{0}</math>为初始种群/人口数量）为
<math>{\displaystyle N(t)={\frac {KN_{0}e^{rt}}{K+N_{0}\left(e^{rt}-1\right)}}={\frac {K}{1+\left({\frac {K-N_{0}}{N_{0}}}\right)e^{-rt}}}}</math>，
其中：<math>{\displaystyle \lim _{t\to \infty }N(t)=K}</math>。
因此，K是N的极限值，即经过足够长时间后，种群（人口）规模所能达到的最大值。值得注意的是，只要初始值<math>{\displaystyle N(0)>0}</math>，无论取值多少，种群数量都会渐近逼近环境承载力K，即使初始值<math>{\displaystyle N(0)>K}</math>也是如此。

生态学中有时称一个物种是R策略或K策略([[R/K选择理论]])的，这是指它们在自然选择过程形成的生物生命周期策略。进行无量纲化，使n代表以环境承载力单位计的种群数量，<math>{\displaystyle \tau }</math>代表以<math>{\displaystyle 1/r}</math>的单位计量的时间，得出无量纲微分方程：
<math>{\displaystyle {\frac {dn}{d\tau }}=n(1-n)}</math>。
若环境承载力随时间变化，即<math>{\displaystyle K(t)>0}</math>，则得到以下数学模型：
<math>{\displaystyle {\frac {dN}{dt}}=rN\cdot \left(1-{\frac {N}{K(t)}}\right)}</math>
其中一种特别重要的情况是承载力呈周期变化：
<math>{\displaystyle K(t+T)=K(t)}</math>，
此时，只要初始值<math>{\displaystyle N(0)>0}</math>，<math>{\displaystyle N(t)}</math>会逼近一个周期为<math>{\displaystyle T}</math>的周期解<math>{\displaystyle N_{*}(t)}</math>。

<math>{\displaystyle T}</math>的典型取值为1年，在此情况下，<math>{\displaystyle K(t)}</math>可表示天气条件的周期性变化。
另一个有趣的一般化情形是考虑承载能力<math>K_{(t)}</math>作为关于较早时间的种群数量的函数，以表示种群改变其所处环境的延迟。这就构成了一个逻辑斯谛时滞方程，它具有非常丰富的行为，在某些参数范围内呈现双稳定，以及单调衰减至零、平滑指数增长、间断无限增长（即多个S形）、间断增长或交替到平稳水平、振荡接近稳定水平、持续振荡、有限时间奇异点以及有限时间死亡。

==医学：流行病传播模型==

在医学领域，逻辑斯谛方程被广泛应用于流行病学建模：

疾病传播：在经典的SIR模型中，逻辑斯谛方程可以近似描述在疾病爆发初期，易感人群数量庞大时，感染者人数的增长模式。在COVID-19大流行期间，广义逻辑斯谛曲线被广泛用于拟合和预测各国感染病例的增长轨迹<ref>Lee, S. Y., Lei, B., & Mallick, B. (2020). Estimation of COVID-19 spread curves integrating global data and borrowing information. PLOS ONE, 15(7), e0236860.</ref><ref>Chowell, G., Hengartner, N. W., Castillo-Chavez, C., Fenimore, P. W., & Hyman, J. M. (2004). The basic reproductive number of Ebola and the effects of public health measures: the cases of Congo and Uganda. Journal of Theoretical Biology, 229(1), 119–126.</ref>。

疫情预测：在COVID-19疫情期间，广义逻辑斯谛函数（理查兹增长曲线）被用于拟合感染轨迹，预测疫情发展趋势<ref>Roosa, K., Lee, Y., Luo, R., Kirpich, A., Rothenberg, R., Hyman, J. M. & Chowell, G. (2020). Real-time forecasts of the COVID-19 epidemic in China from February 5th to February 24th, 2020. Infectious Disease Modelling, 5, 256–263.</ref>。

肿瘤生长：用于描述肿瘤在营养限制条件下的生长动力学。可将其视为上述生态学/人口学模型的延伸。以<math>{\displaystyle X(t)}</math>表示肿瘤在时间<math>{\displaystyle t}</math>的大小，其变化动态遵循
<math>{\displaystyle X'=r\left(1-{\frac {X}{K}}\right)X}</math>，
属于以下类型：
<math>{\displaystyle X'=F(X)X,\quad F'(X)\leq 0,}</math>，
其中<math>{\displaystyle F(X)}</math>为肿瘤增殖率。

若采用化疗产生对数杀伤效果，则等式修改为
<math>{\displaystyle X'=r\left(1-{\frac {X}{K}}\right)X-c(t)X}</math>，
其中<math>{\displaystyle c(t)}</math>为治疗引起的肿瘤死亡率。在理想化的长期治疗下，<math>{\displaystyle c(t)}</math>可模型化为周期为<math>{\displaystyle T}</math>的周期函数或常数函数（如持续输液），且有
<math>{\displaystyle {\frac {1}{T}}\int _{0}^{T}c(t)\,dt>r\to \lim _{t\to +\infty }x(t)=0}</math>，
即，如果平均治疗引起的肿瘤死亡率大于基线增殖率，则疾病能被根除。当然，这是一个过于简化的生长和治疗模型（例如没有考虑克隆抗性现象）<ref>Simeoni, M., Magni, P., Cammia, C., De Nicolao, G., Croci, V., Pesenti, E., ... & Rocchetti, M. (2004). Predictive pharmacokinetic-pharmacodynamic modeling of tumor growth kinetics in xenograft models after administration of anticancer agents. Cancer Research, 64(3), 1094–1101.</ref>。

==化学与物理学==

逻辑斯谛方程在化学和物理学中也有重要应用：

自催化反应：描述自催化化学反应中反应物和产物浓度的变化规律。例如，某些燃料电池催化剂的衰减过程遵循逻辑斯谛规律，提示其为自催化分解机制<ref>Epstein, I. R., & Pojman, J. A. (1998). An introduction to nonlinear chemical dynamics: oscillations, waves, patterns, and chaos. Oxford University Press.</ref>。

费米-狄拉克分布：在统计物理中，逻辑斯谛函数决定了费米子在热平衡系统中各能态的占据概率分布<ref>Reif, F. (1965). Fundamentals of statistical and thermal physics. McGraw-Hill.</ref>。

相变模型：用于描述材料科学中的某些相变过程<ref>Stanley, H. E. (1971). Introduction to phase transitions and critical phenomena. Oxford University Press.</ref>。

==经济学、语言学、社会学与技术创新扩散==

在经济学和社会科学中，逻辑斯谛方程用于描述各种扩散过程：

经济发展：用于分析经济增长的长期周期和基础设施建设的扩散过程。

市场预测：预测新产品市场占有率的增长和饱和趋势<ref>Bass, F. M. (1969). A new product growth for model consumer durables. Management Science, 15(5), 215–227.</ref>。

语言学：用于对语言变化进行建模，如新词汇或语法结构的传播速度随时间呈S形变化。

创新扩散：巴斯扩散模型的核心就是逻辑斯谛方程，用于描述新产品或新技术在人群中采纳的过程：从早期采用者到晚期大众，最后市场饱和。

==机器学习：[[逻辑斯谛回归]]与激活函数==

在机器学习领域，逻辑斯谛函数是[[逻辑斯谛回归]]的基础：

二分类问题：通过逻辑斯谛函数（Sigmoid函数）将线性组合的输出映射到（0,1）区间，解释为概率。

多分类扩展：通过softmax函数推广到多类别分类问题。

深度学习：作为神经网络的激活函数，引入非线性特性。标准逻辑斯谛函数<math>\sigma(x) = 1/(1+e^{-x})</math>是双曲正切函数<math>\tanh(x)</math>的缩放平移，即<math>\sigma(x) = \frac{1}{2} + \frac{1}{2}\tanh(\frac{x}{2})</math>。

[[逻辑斯谛回归]]源于1944年约瑟夫·伯克森基于逻辑斯谛函数提出的logit函数，后来由大卫·考克斯在1958年正式命名为[[逻辑斯谛回归]]。如今，它已成为分类问题中最广泛使用的算法之一<ref>Berkson, J. (1944). Application of the logistic function to bio-assay. Journal of the American Statistical Association, 39(227), 357–365.</ref><ref>Cox, D. R. (1958). Two further applications of a model for binary regression. Biometrika, 45(3/4), 562–565.</ref>。

= 参考 =
<references />

集智百科参与方式

2025-12-13T12:11:39Z

相信未来：/* 词条百科组成员 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[蓝梓杰]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[徐然]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|曹雨
|廊坊师范学院软件工程本科生，研究兴趣:复杂科学、人工智能
|[[部分信息分解]]
|2025.12.13
|
|进行中
|-
|2
|蓝梓杰
|佛山大学计算机科学本科生，研究兴趣：因果涌现、机器学习
|[[部分信息分解]]
|2025.11.28
|
|进行中
|-
|3
|黄芸
|上海交通大学计算机专业博士生，研究兴趣：kolmogorov复杂度
|[[Koopman理论]]
|2025.11.09
|
|进行中
|-
|4
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|5
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|6
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|7
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|8
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|9
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|10
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|11
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|12
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|13
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|14
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|15
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|16
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|17
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[Koopman理论]]
|2024.01.01
|
|组内学生
|-
|18
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|19
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]
|2025.07.01
|
|组内学生
|-
|20
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|21
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|22
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|23
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|24
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|25
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|26
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|27
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|32
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|33
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|34
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|35
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]

整合信息论

2025-12-07T10:28:55Z

相信未来：

{{#seo:
|keywords=整合信息论,意识量化,Φ指标,因果信息,复杂系统意识
|description=本文系统综述了整合信息论的核心框架，探讨意识研究中主观性、整体性与可量化性的矛盾，涵盖公理体系、Φ指标计算及因果信息整合等方法，分析其在神经科学与人工智能领域的应用及争议。}}
整合[[信息论]]（Integrated Information Theory, IIT）是探索意识本质的开创性理论框架，通过从现象学公理出发构建数学模型，实现对意识的量化描述与机制解析。传统意识研究多依赖主观报告或神经关联分析，而IIT突破这一局限，基于意识的存在性、内在性、整合性、信息性、排他性和复合性六大核心特征，建立可计算的理论体系。本文梳理整合[[信息论]]的发展脉络，评述Φ指标的[[迭代]]优化与因果信息整合方法，探讨其在脑科学、[[人工智能]]意识判定中的应用及开放性问题。
= 概述 =
== 历史背景 ==
意识是我们最直接的内在体验。它包含感知、情感、思维等主观内容，是大脑对自我和外界信息进行整合与表征的[[复杂]]过程。然而，这一看似自然的体验却构成了科学上的一大根本难题：意识究竟如何从物理[[系统]]中产生？

自20世纪80年代末起，随着脑成像技术发展，掀起了一股意识研究的热潮。传统的意识研究方法往往集中于特定脑区或[[神经元]]群的作用，旨在探寻意识的神经关联（Neural Correlates of Consciousness, NCC）<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>。所谓意识的神经关联（NCC），是指意识体验所必需的最小神经机制集合<ref name=aru_et_al_2012>{{cite journal |last1=Aru |first1=J. |last2=Bachmann |first2=T. |last3=Singer |first3=W. |last4=Melloni |first4=L. |title=Distilling the neural correlates of consciousness |journal=Neuroscience & Biobehavioral Reviews |volume=36 |issue=2 |pages=737–746 |year=2012 |url=https://doi.org/10.1016/j.neubiorev.2011.12.003}}</ref>，通常采用对比不同意识状态下大脑活动的研究思路。比如，Liang Shan等人通过实验任务操纵被试的意识状态（比如无感知、潜意识和有意识状态），使用脑电[[图]]（Electroencephalogram, EEG）和脑磁[[图]](Magnetoencephalography, MEG）技术，对比分析不同频率的脑电波和功能连接的变化，发现[[神经元]][[同步]]放电和整合活动是视觉意识的关键要素<ref name=shan_et_al_2022>{{cite journal |last1=Shan |first1=L. |last2=Huang |first2=H. |last3=Zhang |first3=Z. |last4=Wang |first4=Y. |last5=Gu |first5=F. |last6=Lu |first6=M. |last7=Zhou |first7=W. |last8=Jiang |first8=Y. |last9=Dai |first9=J. |title=Mapping the emergence of visual consciousness in the human brain via brain-wide intracranial electrophysiology |journal=The Innovation |volume=3 |issue=3 |pages=100243 |year=2022 |url=https://doi.org/10.1016/j.xinn.2022.100243}}</ref>。

尽管在传统意识研究中积累了大量的神经生物学数据，并取得了意识状态与脑部活动之间相关性的研究成果，但这却引发了以下问题：
1.意识体验的可操作评估标准<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>——如何确定是否有效操纵不同水平的意识状态，即如何量化比较不同意识体验？如何在不同研究或者重复研究中确定实验任务操纵的意识体验水平？如何确定该神经活动变化是与意识水平有关，而非实验任务或者实验呈现刺激所引起的变化？
2.“解释鸿沟”（Explanatory Gap）难题——即便识别出与意识相关的神经活动，也难以完全解释主观体验如何从这些物理活动中产生<ref name=polak_marvan_2018>{{cite journal |last1=Polák |first1=M. |last2=Marvan |first2=T. |title=Neural Correlates of Consciousness Meet the Theory of Identity |journal=Frontiers in Psychology |volume=9 |year=2018 |url=https://doi.org/10.3389/fpsyg.2018.01269}}</ref>。

然而，朱利奥・托诺尼和杰拉尔德·M·埃德尔曼早在1998年就开始另辟蹊径，探讨何种神经过程能够解释意识体验的关键特性。他们在分析神经生物学数据之后，发现与意识体验相关的神经过程兼具高度整合性和高度分化性，提出了一种可验证的理论框架——动态核心假说<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>。这一假说为识别意识的神经基础提供了“地图”，解决了。之后，他们进一步提出，要真正理解意识，需要解决两个核心问题：第一，理解决定系统具备意识程度的条件。例如，为什么大脑的某些区域对意识体验至关重要，而其他同样富含神经元和连接的区域却无足轻重？第二，理解决定系统具有何种意识形式的条件。例如，为什么颜色呈现特定视觉效果，而音乐产生独特音韵，疼痛引发特殊触感？解决第一个问题意味着我们就能判断物理系统产生意识的程度——意识的量或层级。解决第二个问题意味着我们会知道它产生的是什么样的意识——意识的质量或内容<ref name=tononi_2004>{{cite journal |last1=Tononi |first1=G.|title=An information integration theory of consciousness |journal=BMC Neuroscience |volume=5 |issue=1 |pages=42 |year=2004 |url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。

正是在这样的理论背景下，整合信息论（Integrated Information Theory, IIT）显示出其突破性价值。整合信息论（IIT）由神经科学家朱利奥・托诺尼于2004年提出，该理论独辟蹊径，从意识的现象学公理（如存在性、整合性、信息性等）出发，反向推导出意识必需的物理基础，并提出了可计算的量化指标——Φ值，用以衡量一个系统的意识水平。整合信息论（IIT）不仅尝试直面“物理如何产生主观”这一根本问题，也首次使意识的定量化、跨系统比较成为可能，为构建可验证、可计算意识科学奠定了重要基础<ref name=tononi_2004>{{cite journal |last1=Tononi |first1=G.|title=An information integration theory of consciousness |journal=BMC Neuroscience |volume=5 |issue=1 |pages=42 |year=2004 |url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。

== 意识问题 ==
自古至今，对意识的探求驱动着哲学家与科学家跨越学科界限，孕育出诸多核心议题。如今，随着脑成像技术和神经科学的发展，虽已逐渐能够定位特定意识体验对应的神经活动，即意识的物理基础，却仍面临一个根本性难题——解释鸿沟（The Explanatory Gap）。解释鸿沟（Explanatory Gap）指的是解释非经验性事件如何产生有意识体验的问题<ref name=conaill_2017>{{cite journal |last1=Ó Conaill |first1=D. |title=Phenomenology, Objectivity, and the Explanatory Gap |journal=The Southern Journal of Philosophy |volume=55 |issue=1 |pages=32-50 |year=2017 |url=https://onlinelibrary.wiley.com/doi/abs/10.1111/sjp.12211}}</ref>。具体来说，解释鸿沟的核心命题在于：即便找到了与某种意识体验（比如“看到红色”）完全相关的神经关联物（Neural Correlates of Consciousness, NCC），仍然无法从这些物理性描述中，推导出它为什么必然伴随如此这般的主观体验。换句话说，能够描述大脑中发生的电化学过程，却无法说明这些过程如何以及为何产生了“鲜红”的感觉本身。在客观的神经活动与主观的体验感质之间，仍然存在一道难以用现有科学语言跨越的鸿沟。

神经科学致力于揭示意识的生物基础，核心命题之一是寻找意识的神经关联物（NCC），即能够产生某一特定意识体验的最小神经机制集合。例如，梭状回面孔区（FFA）的活动与“看到面孔”的体验密切相关，但它是否就构成神经关联物（NCC）仍待进一步探究<ref name=grill-spector_2004>{{cite journal |last1=Grill-Spector |first1=K. |last2=Knouf |first2=N. |last3=Kanwisher |first3=N. |title=The fusiform face area subserves face perception, not generic within-category identification |journal=Nature Neuroscience |volume=7 |issue=5 |pages=555-562 |year=2004 |url=https://www.nature.com/articles/nn1224}}</ref>。与此同时，意识的形成还涉及“绑定问题”（The Binding Problem）：尽管颜色、形状、运动等不同特征由大脑不同区域处理，人却能够将这些分散的信息整合为统一的知觉对象，其神经机制至今尚未完全阐明。此外，通过对裂脑患者（胼胝体被切断）的研究，科学家发现大脑两半球可能分别形成不同的意识流，这对我们通常所感知的“意识统一性”及“单一自我”的观念提出了深刻挑战。最后，从演化视角看，意识的功能和生存优势也是一个根本问题：它究竟是一种提升适应性的特征，还是仅仅是大脑复杂运作所产生的副产物？

澳大利亚哲学家大卫・查尔默斯（David Chalmers）提出的“简单问题”与“难问题”之分，为理解意识的复杂性提供了经典框架，这一划分也深刻影响着整合信息论等理论的探索方向<ref name=carlson_2002>{{cite journal |last1=Carlson |first1=R.A. |title=Multiple Perspectives on Consciousness for Cognitive Science |journal=Proceedings of the Annual Meeting of the Cognitive Science Society |volume=24 |issue=24 |year=2002 |url=https://escholarship.org/uc/item/0294x9ng}}</ref>。查尔默斯所指的“简单问题”并非指其解决起来容易，而是指原则上可以通过传统的认知科学和神经科学方法来解决的问题，通常涉及功能性解释。换句话说，意识的“简单问题”聚焦于意识的功能与机制，诸如“大脑如何整合感官信息并形成统一的知觉体验”“注意力如何筛选信息并影响意识内容”“清醒与睡眠状态下的神经活动有何差异”。意识的“难问题”则触及意识的核心谜题——主观体验的本质。它追问的是：为何物理的大脑活动会伴随 “感受性”？比如，当我们看到红色时，为何会产生独特的“红色体验”，而不是其他感受？

== 整合信息论与意识 ==
理解意识，或许就是理解“人为何成为人”的核心。传统科学通常将意识视为物理过程的衍生现象，试图通过观测脑活动来反推其机制。而整合信息论认为意识是一个系统“整合信息”的内在属性，并非局限于大脑。具体而言，一个系统是否具有意识、意识的强度如何，取决于它能否将分散的信息整合为不可分割的整体，同时产生独特的信息状态。

托诺尼认为大脑中神经元网络是分布式并行系统，个体神经元仅负责自身决策，属“多”体系统。但意识常是统一整合体，呈现“一”的特征，如同一时刻只能聚焦一事。问题在于大脑如何将神经元并行决策转变为统一意识，这需信息汇聚处理。那么将“多”信息整合成“一”是意识关键特征，甚至可将系统信息整合能力定义为意识度，这就是整合信息量<math>\Phi</math> 。从本质上讲，<math>\Phi</math> 就是一种[[有效信息]]（Effective Information，简称EI），即将大脑视作一个因果网络之后，在所有子网络中能够让因果瓶颈处的有效信息所能达到的最大值。

具体来说，整合信息理论中<math>\Phi</math>计算是将复杂网络换成大脑因果网络，节点为神经元，连边为突触链接，连边强弱为因果联系的有效信息。遍历所有子网络，对每个子网络遍历切断划分方法找最小有效信息切分（因果瓶颈）得该子网络<math>\phi</math>，所有子网络中最大的<math>\phi</math>即<math>\Phi</math>，此为因果网络信息整合程度，对应意识发生区域。

自20世纪80年代末起，随着脑成像技术发展，掀起了一股意识研究的热潮。传统的意识研究方法往往集中于特定脑区或神经元群是否参与意识形成及其参与程度，旨在探寻意识的神经关联（Neural Correlates of Consciousness, NCC）<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>。所谓意识的神经关联（NCC），是指意识体验所必需的最小神经机制集合<ref name=aru_et_al_2012>{{cite journal |last1=Aru |first1=J. |last2=Bachmann |first2=T. |last3=Singer |first3=W. |last4=Melloni |first4=L. |title=Distilling the neural correlates of consciousness |journal=Neuroscience & Biobehavioral Reviews |volume=36 |issue=2 |pages=737–746 |year=2012 |url=https://doi.org/10.1016/j.neubiorev.2011.12.003}}</ref>，通常采用对比不同意识状态下大脑活动的研究思路。比如，Liang Shan等人通过实验任务操纵被试的意识状态（比如无感知、潜意识和有意识状态），使用脑电图（Electroencephalogram, EEG）和脑磁图(Magnetoencephalography, MEG）技术，对比分析不同频率的脑电波和功能连接的变化，发现神经元同步放电和整合活动是视觉意识的关键要素<ref name=shan_et_al_2022>{{cite journal |last1=Shan |first1=L. |last2=Huang |first2=H. |last3=Zhang |first3=Z. |last4=Wang |first4=Y. |last5=Gu |first5=F. |last6=Lu |first6=M. |last7=Zhou |first7=W. |last8=Jiang |first8=Y. |last9=Dai |first9=J. |title=Mapping the emergence of visual consciousness in the human brain via brain-wide intracranial electrophysiology |journal=The Innovation |volume=3 |issue=3 |pages=100243 |year=2022 |url=https://doi.org/10.1016/j.xinn.2022.100243}}</ref>。尽管在传统意识研究中积累了大量的神经生理学数据，取得了意识状态与脑部活动之间相关性的研究成果，但缺乏对实验操纵不同意识状态水平的评估标准，也未能解释物理系统（比如脑）如何产生意识。

因此，要真正理解意识，需要解决两个核心问题：第一，理解决定系统具备意识程度的条件。例如，为什么大脑的某些区域对意识体验至关重要，而其他同样富含神经元和连接的区域却无足轻重？第二，理解决定系统具有何种意识形式的条件。例如，为什么颜色呈现特定视觉效果，而音乐产生独特音韵，疼痛引发特殊触感？解决第一个问题意味着我们就能判断物理系统产生意识的程度——意识的量或层级。解决第二个问题意味着我们会知道它产生的是什么样的意识——意识的质量或内容<ref name=tononi_2004>{{cite journal |last1=Tononi |first1=G.|title=An information integration theory of consciousness |journal=BMC Neuroscience |volume=5 |issue=1 |pages=42 |year=2004 |url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。

然而，朱利奥·托诺尼和杰拉尔德·M·埃德尔曼早在1998年便另辟蹊径，从分析意识体验关键属性出发，再描述可能解释那些关键属性的神经过程。首先，将意识的核心特性归纳为两点：整合性和分化性。整合性指意识体验是一个统一的整体，比如人在同一时刻感知到的视觉、听觉和其他感官信息会融合成一个连贯的场景。而分化性则指意识状态的多样性，即在极短的时间内，人可以感知到无数种不同的意识状态。之后，引用了神经生物学数据，证明与意识体验相关的神经过程确实具有这两种特性。接着，他们进一步开发了两种测量工具——功能聚类和神经复杂性，用于量化神经过程中的整合性和分化性，并建立了判断神经元群活动是否参与意识体验的标准。这些标准随后被整合到动态核心假说（
Dynamic Core Hypothesis）中，该假说解释了意识的关键属性如何通过神经整合和复杂性来实现，形成了一个关于意识体验神经基础的可验证理论框架<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>。

正是在这样的理论背景上，神经科学家朱利奥・托诺尼于2004年提出整合信息论（Integrated Information Theory, IIT）。该理论独辟蹊径，从意识的现象学公理（如存在性、整合性、信息性等）出发，反向推导出意识必需的物理基础，并提出了可计算的量化指标—— <math>\Phi</math> 值，用以衡量一个系统的意识水平。整合信息论（IIT）不仅尝试直面“物理如何产生主观”这一根本问题，也首次使意识的定量化、跨系统比较成为可能，为构建可验证、可计算意识科学奠定了重要基础<ref name=tononi_2004>{{cite journal |last1=Tononi |first1=G.|title=An information integration theory of consciousness |journal=BMC Neuroscience |volume=5 |issue=1 |pages=42 |year=2004 |url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。

== 公理与假设 ==
整合信息理论（IIT）是以六大公理为基础框架，每个公理都对应着关于系统因果结构的物理假设，具体包含如下：系统必须具备并发挥内在的因果力量；必须能指定特定的因果状态（通过内在信息实现）；必须以整体形式不可约地完成这一过程（可用小 phi，即 <math>\phi</math> 来衡量）；只有达到最大程度不可还原的底物（复合物）才具备意识；其子集则必须能指定结构化的区别与关系，进而形成 <math>\Phi</math> 结构。详细内容可以看之后的“整合信息论公理体系”模块。

= 整合信息量（Φ）=
意识的整合信息理论（Integrated Information Theory, IIT）认为：所谓的意识，是一个系统整合信息的能力<ref name="">{{cite journal|author1=Tononi G|title=An information integration theory of consciousness|journal=BMC Neuroscience|year=2004|volume=5|issue=1|page=42|url=https://doi.org/10.1186/1471-2202-5-42}}</ref>，而这个能力可以用信息整合度（<math>\Phi</math>）来定量刻画。

具体而言，当把大脑视为一个因果网络时，<math>\Phi</math> （信息整合度）指的是在所有子网络中，网络连接“薄弱”处的[[有效信息]]（Effective Information，简称EI）所能达到的最大值。然而，不同版本的IIT理论对<math>\Phi</math> 的定义不一样，造成了读者的认知混乱。为了更清楚地说明<math>\Phi</math> 的计算，让我们先来看一个类比，复杂网络上社团划分。这个类比的好处是能够将<math>\Phi</math>的计算所反映的基本思想和原理以更简单直观的方式刻画清楚。但请注意，类比毕竟是类比，真实的<math>\Phi</math>计算远比这个类比要复杂。

==复杂网络社团划分的类比==

我们可以从两个复杂网络的例子来进行说明。

[[文件:图2.1修改版.png|无|缩略图|900x900像素|图2.1 两个10社团的复杂网络的比较]]

假设有两个网络（如图2.1 所示），二者均包含约10个社团结构（即紧密联系的子图）。其中，左侧网络的社团之间具有更紧密的连接，右侧网络社团之间的连接则较为稀疏。“判断哪一网络更具整体性”的问题，可转化为“考察哪一网络更易被切分为不连通的两半”的问题。图2.1中的左侧网络更易被拆分，因为其社团之间存在较为“脆弱”连边，切断此类连边即可将网络分为两半。

一般，要计算<math>\Phi</math>，首先要计算每个子网络的<math>\phi</math>。请注意，两者是有区别的，<math>\phi</math>表示子网络的整合信息量，<math>\Phi</math>表示整体网络的整合信息量。换句话说，<math>\Phi</math>是对整体网络中遍历所有子网络，计算<math>\phi</math>并得出最大的一个结果，也就是<math>\Phi=max_{\forall subnet}\phi</math>。而<math>\phi</math>则是在指定一个子网络的时候，计算出来的量。在复杂网络社团划分的类比中，要计算<math>\phi</math>，需先找到该子网络最薄弱的环节，即找出最少的几条边，切断这些边便能将子网络分为不连通的两个子网络，再用这些“脆弱”连边的数量来度量网络的整体性，即这些“脆弱”连边的数量就是<math>\phi</math>。

要计算<math>\Phi</math>，就需要遍历其所有子网络，在这些子网络中找到<math>\phi</math> 最大的那个子网络，并用该子网络的 <math>\phi</math>（即最“薄弱”环节的连边数）作为整个网络整体性的度量，这便是整个网络的 <math>\Phi</math>。但是，在图2.1中，可以发现每个社团内节点的连接是相同的，而区别在于这些社团彼此之间的连接，所以即使遍历子网络之后，左图子网络的 <math>\phi</math>值只会大于等于右图。

== 意识程度的度量<math>\Phi</math>的计算框架 ==

理解上述类比后，便可理解信息整合度 <math>\Phi</math> 的真实计算过程：首先，将复杂网络替换为大脑构成的因果网络，其中节点可视为神经元，连边代表神经元之间的突触链接；其次，将连边理解为两个节点间的因果联系，连边的强弱对应因果联系的[[有效信息]]（将系统二分后干预其中一个子系统的状态分布为均匀分布，然后考察两个子系统之间的[[互信息]]（Mutual Information）即为有效信息。有效信息刻画的是被切分的两个网络间的因果影响，具体可参见[[有效信息]]词条）；最后，一个因果网络的信息整合程度，就指的是所有子网络中因果瓶颈（即最小有效信息）处的[[有效信息]]所能达到的最大值，而具有这一最大有效信息的子网络便是意识发生的区域。

=== 定义 ===
<math>\phi</math>指标用于量化系统的内在信息整合能力，其核心在于度量系统各部分之间因果交互的紧密程度，从而反映出系统整合信息的效能。从本质上讲，<math>\phi</math>是系统内在属性的函数，具体定义为“在最小信息二分切割下可交换的有效信息量”，适用于量化分布式网络（如大脑）中信息被统一处理的程度。表达式为：

<math>
\phi(S)=EI(MIB(S))
</math>

其中，S表示待分析的子系统，MIB(S)代表最小信息的二分切割（即在所有对S的二划分中找到能够让两个子网络间有效信息最小的那个划分），EI即有效信息（Effective Information）。该指标通过计算系统“在最小信息二分切割下可交换的有效信息量”，来衡量系统的信息整合能力，<math>\phi</math>值越高，表示系统越能作为一个整体进行信息整合，而非仅仅是独立部分的集合<ref name="">{{cite journal|author1=Tononi G|title=An information integration theory of consciousness|journal=BMC Neuroscience|year=2004|volume=5|issue=1|page=42|url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。

=== 有效信息（EI）===
有效信息是一种因果效应的度量，用于衡量子系统A对子系统B的因果影响。它是一种特殊的[[互信息]]，即在最大熵干预的前提下，度量A、B两个部分的互信息。具体公式为<ref name="Measuring_information_integration">{{cite journal|author1=Tononi G|author2=Boly M|author3=Massimini M|author4=Edelman D B|title=Measuring information integration|journal=PLOS Computational Biology|year=2016|volume=12|issue=3|page=e1004819|url=https://doi.org/10.1371/journal.pcbi.1004819}}</ref>：

<math>
EI(A \rightarrow B)=\text{MI}(A^{Hmax}: B)
</math>

其中，<math>MI(A: B) = H(A)+H(B)-H(A,B)</math>表示互信息，用于衡量A与B之间的统计依赖性；<math>A^{Hmax}</math>表示在切断A的输入连接后，向其注入最大熵噪声的扰动状态（见图2.2），这种扰动确保了A的输出变化完全由独立噪声驱动，从而纯粹反映A对B的因果作用。在一个连续的马尔科夫动力学系统中，最大熵噪声通常建模为高斯分布：<math>A^{Hmax} \sim \mathcal{N}(0,c_p^2 I)</math>（ <math>c_p</math>为噪声强度，<math>I</math>为单位矩阵）；在一个离散的马尔科夫动力学系统中，向其注入最大熵噪声，则是对系统做do干预（do-operator），将A系统状态分布干预成其定义域上的均匀分布（<math>A^{Hmax}\sim U</math>）。有效信息的高低直接反映了A与B之间因果连接的强度与特异性：若因果连接紧密且分化度（即为子集的状态多样性）高，EI值较高；反之，若连接微弱或因果效应单一，EI值趋近于零。若需详细了解离散以及连续的马尔科夫动力学系统的有效信息计算可以参看[[有效信息]]词条。

为了全面评估子系统A与B之间的因果交互，因此可以引入双向有效信息，定义为两个方向EI值的总和：

<math>
\text{EI}(A \rightleftharpoons B) = \text{EI}(A \rightarrow B) + \text{EI}(B \rightarrow A)
</math>

这一度量捕捉了A与B之间双向的因果流动，强调了交互的非对称性——即<math>EI(A \rightarrow B)</math> 与 <math>EI(B \rightarrow A)</math> 可能显著不同。双向有效信息是识别系统内部整合能力的关键基础，因为它反映了任意两个部分之间可交换的因果信息总量。

[[文件:整合信息论图5.png|无|缩略图|600x600像素|图2.2''双向 EI为 EI(A⇌B)=EI(A→B)+EI(B→A)'']]

=== 最小信息二分（MIB）===
最小信息二分（Minimum Information Bipartition，简称MIB）旨在确定使归一化有效信息（EI）最小化的二分切割方式，其核心是定位系统中最易割裂的“信息断层线”，即识别信息连接最薄弱的分割方案。
它的具体计算步骤如下：

1. 选择子系统<math> S \subseteq X </math>，其中 X包含n个元素，S包含k个元素（2≤k≤n）；

2. 枚举所有二分切割 <math>[A:B]_S</math>，需满足<math>A \cup B = S</math>（覆盖子集）且 <math>A \cap B = \emptyset</math>（无交集），归一化有效信息后，有效信息最小的二分割即为所求。

最小信息二分 MIB(S)公式定义为：

<math>
\text{MIB}(S) = argmin_{[A:B]_S} (\text{Normalized EI})
</math>

含义为在所有二分切割中选取归一化有效信息最小的划分。

归一化有效信息的计算公式为：

<math>
\text{Normalized EI} = \frac{\text{EI}(A \rightleftharpoons B)}{\min\{H_{\text{max}}(A), H_{\text{max}}(B)\}}
</math>

其中对于一个连续的马尔科夫动力学系统的最大熵<math>A^{Hmax}</math>的计算方式为：

<math>
H_{\text{max}}(A) = \frac{1}{2}\ln\left[(2\pi e c_p^2)^m\right]
</math>

其中 <math>m = \text{dim}(A)</math>表示 A的维度。

而对于一个离散的马尔科夫动力学系统的最大熵<math>A^{Hmax}</math>的计算方式为：

<math>
H_{\text{max}}(A) =\log_2 m
</math>

同样的<math>m = \text{dim}(A)</math>表示A的维度。

经过了上面的一系列运算，对于集合S的整合信息量<math>\Phi(S)</math>最终根据定义：

<math>
\phi(S) = \text{EI}(\text{MIB}(S))
</math>

须注意，此处使用的是<math> MIB(S)</math>对应的未归一化的有效信息值。

=== 复合体（complex） ===
前面给大家讲解了如何计算一个系统的整合信息<math>\phi</math> ，但是要确定这个系统的整合信息量的大小，还需要考虑其子集，因为有可能会出现子集的整合信息程度会大于整体的情况，这时整体的整合信息量就由子集主导。为了更好地说明这种情况，由此引入了复合体（complex）的概念，其定义为复合体是系统X的一个子集S，需要满足以下条件：

1、信息整合能力：<math> \phi(S) > 0 </math>，即子集内部能通过因果交互整合信息；

2、最大性：S不被任何其他具有更高<math>\phi</math> 值的子集包含，换言之，复合体是局部最优的信息整合单元。

系统中<math>\phi</math> 值最高的复合体称为主复合体，代表系统整体信息整合能力的上限：

<math>
\text{main complex}(X) = \arg\max_{S \subseteq X} \phi(S)
</math>

同时，该复合体的整合信息量<math>\phi</math>也是整个系统的整合信息量<math>\Phi</math>。

== Φ 的计算示例 ==
上面我们了解了整合信息量 Φ的计算框架，接下来我们通过一些具体算例，深入理解Φ的计算及相关特性。

=== 连续系统的计算 ===
下面，为了展示<math>\phi</math>的计算，让我们考虑一个简化的连续模型，即一个线性动力学高斯噪声模型。例如，一个包含n个元素的孤立神经系统，这些元素可视为神经元组，其活动变量表示各组在数百毫秒内的放电率，彼此间的相互作用<ref name="Measuring_information_integration">{{cite journal|author1=Tononi G|author2=Boly M|author3=Massimini M|author4=Edelman D B|title=Measuring information integration|journal=PLOS Computational Biology|year=2016|volume=12|issue=3|page=e1004819|url=https://doi.org/10.1371/journal.pcbi.1004819}}</ref>，我们可以用一个线性化的动力学对其进行描述：

<math>
X_t=X_{t−1}⋅A + cR
</math>

其中，<math>R\sim\mathcal{N}(0,I)</math>为一个标准高斯噪音，c为一个常数，因此<math>cR</math>表示该向量受强度为c的独立高斯噪声R驱动，A代表X的邻接矩阵，它刻画了X中各个元素之间的联系方式。

我们仅关注该系统的内在属性，并忽略来自环境的外部输入。因此，我们计算该随机过程的熵（H）是计算有效信息EI关键步骤（详细计算过程参看本词条2.1章节），其计算过程如下：

<math>
H(X) = \frac{1}{2}\ln\left[(2\pi e)^{\text{dim}(X)} \cdot |\text{COV}(X)|\right]
</math>

其中协方差矩阵A是由：

<math>
\text{COV}(X) = Q^T Q,Q =(I - A)^{-1}
</math>

计算的，这里 I为单位矩阵，A为系统的邻接矩阵。

=== 八节点网络算例 ===

如图2.3a所示，存在一个由8个节点构成的网络。其中，节点1、2、3和4构成紧密连接的集团，节点5、6和7构成另一个集团，8号节点作为信号源，指向所有节点。节点状态受指向自身的网络邻居状态以及噪声变量R的影响。

针对该网络，可计算每个子网络的 <math>\phi</math>值如图2.3b所示，各子网络的包含节点情况如图2.3c所示。图2.3b的横坐标为 <math>\phi</math>值，纵坐标是所有子集编号；图2.3c中，横坐标表示节点标号，纵坐标表示子集标号，深灰和浅灰格子分别代表因果瓶颈的划分情况（即深灰和浅灰各占一半划分）。
[[文件:整合信息论图1.png|无|缩略图|900x900像素|图2.3 一个八节点的网络构成的简单线性系统(a), 所有子集的φ值计算(b)，各个子集对应的节点元素，以及最小划分情况(c)]]

从图中可知， <math>\phi</math>值最大的子网络是由节点1、2、3、4构成的彼此互联的社团，其 <math>\phi</math>值达到21比特。紧随其后的是者四个节点中的任意三个节点构成的子网络，它们的 <math>\phi</math>值相近，仅略低于四节点的社团。再之后是节点5、6、7构成的社团，其 <math>\phi</math>值略高于20。整个网络的 <math>\phi</math>值约为 7。而网络整体的 <math>\Phi</math>应取所有子网络中的最大 <math>\phi</math>值，即由节点1-4构成的子网络的21比特。

=== 不同网络结构的 Φ 值 ===

在网络动力学（因果机制）不变的情况下，可比较不同网络结构对整体网络 <math>\Phi</math>值的影响。如图 2.4 所示，仅给出 <math>\Phi</math>值（因整个网络就是 <math>\phi</math>值最大的子网络），虚线对应因果瓶颈（有效信息最小）的划分处。图A-E均由8个节点构成，图A为单链结构，图B是单链成环结构，图C为双链结构。从A 到C，Φ 值不断增加，在双向连接时达到最大，因为此时左右两部分信息流最大，节点更易形成一个整体。图D和图E呈现中心-外围的连接模式，Φ值较小，因其网络构成过于集中化。
[[文件:整合信息论图2.png|无|缩略图|600x600像素|图2.4 五个不同的网络结构及其它们的φ值]]

=== Φ 值最大化结构 ===
固定节点数、动力学以及每个节点的连边总数，图2.5展示了使 <math>\Phi</math>值最大的八节点网络结构。该网络连接紧密，看似随机却与随机连边网络有显著差异。其特征如下：

*节点邻居异质性强：每个节点的邻居差异大，不同节点邻居的匹配度仅0.14（相似邻居的比例），而同等规模随机网络的匹配度为0.218。
*出入平衡：几乎每个节点仅有2个输入连边和2个输出连边，这与随机网络中少数节点拥有更多连接不同。
*双向互惠连接少：该网络几乎不存在双向互惠连接（即A指向B且B也指向A），而随机网络中此类连接大量存在。此网络具有很高的整合度，<math>\Phi</math>值达60.76比特，同等规模随机网络的<math>\Phi</math>值仅35.66比特。
[[文件:整合信息论图3.png|无|缩略图|360x360像素|图2.5 通过搜索所有的八节点的网络结构使φ值最大得到的最优网络结构]]

=== Φ 值大小的影响因素 ===

除网络拓扑结构外，连接强度也会影响 <math>\Phi</math> 值大小。一般而言，<math>\Phi</math>值随连接平均强度的增加而增加，但并非强度越大越好，强度分配模式同样关键。当平均强度一致时，不同的强度分配模式会导致 <math>\Phi</math>值差异显著。在保持网络连接总强度不变的情况下，从每个节点都是自环的模式逐渐过渡到每个节点都平等地与其他节点等强度相连，<math>\Phi</math>值会先增大后减小。这表明，节点并非简单地将连接强度等同分配给所有其他节点，而是需精心选择连接对象，将大量连接强度分配给少数几条连边，且这些连边要尽可能连接其他节点较少连接的节点，此时<math>\Phi</math>值更大。此外，动力学也会影响 <math>\Phi</math>值。通过调节系数c可调整噪声对系统的相对影响大小，结果显示，噪声越强，<math>\Phi</math>值越小，网络整合度越低。

若将连接视为多个节点建立的信道，由于<math>\Phi</math>值是一种有效信息，信道带宽越高，<math>\Phi</math>值越大。在同等带宽下，节点彼此之间的连接模式极为重要，只有当每个节点尽可能连接不同的节点，增大连接的多样化，最终的 Φ 值才会更大。

这里介绍的是整合信息论 1.0 版本中关于<math>\Phi</math>的计算方法，是所有后续版本中最为简单的一种。尽管从IIT3.0 到4.0版本，作者采用了不同的计算方式，甚至在4.0版本中将有效信息替换为内在信息（intrinsic information）指标，但其核心思想与1.0版本一致，基本结论未变，故在此不再详述。

== Φ的近似计算 ==
在前面讲述整合信息量 Φ 基于 IIT 1.0 的计算与示例，不难发现Φ 的计算复杂度会随着系统节点数量的增加而呈指数级增长。随着 IIT 理论的持续演进（IIT 2.0 → 3.0 → 4.0），Φ 的定义也从“系统分割所导致的信息损失”拓展为“系统生成因果力的概念结构整合度”。然而，尽管理论内涵不断深化，其直接计算的复杂度依然保持在指数级水平。

=== 计算复杂度的瓶颈 ===
计算 Φ 的主要困难包括：

*首先是状态空间爆炸，系统状态数随节点数 b呈指数增长（<math>n=2^b</math>，一个20节点的网络，状态空间维度就有<math>2^20</math>维，达百万级的维度），导致概率分布和马尔可夫矩阵难以直接处理；

*其次是分区优化困难,Φ需最小化所有可能的分区（ bipartitions ）的φ值，分区数量随系统规模超指数增长（例如，对称分区数约<math>\binom{n}{n/2} \sim \frac{2^{n}}{\sqrt{n}}</math>)，大脑等大规模系统（如 10¹¹ 个神经元）的原生计算完全不可行。

因此，<math>\Phi</math>的计算复杂度成为核心挑战，尤其是对于大规模系统如大脑网络。

===现有近似方法===
因此<math>\Phi</math>的近似计算成为 IIT 从理论落地实验的核心；现有近似算法包括高斯近似（将连续数据的概率分布简化为均值与协方差矩阵，复杂度从 O (2ᵇ) 降至 O (b³)，适配 EEG/fMRI 等实验数据）、Noising 分解（IIT2.0 用均匀噪声 / 边际噪声近似系统分割，如 <math>\Phi ^{2.5}</math>系列），而关键的高效近似是图论近似（Tegmark 2016 提出）：该方法将系统动态矩阵 A 映射为有向图（节点代表变量，边代表因果强度<math>\left | A_{ij} \right | >\varepsilon </math> 的交互），通过强连通组件（SCC，表征因果闭环）定位 “最残忍分割”—— 选择大小接近系统一半的 SCC 作为分割，避免遍历指数级分割，复杂度降至 O (b³)（矩阵运算）+O (b)（图遍历），可处理千级变量，且在可分解系统中误差为 0，不可分解系统中位数误差 < 15%，成为脑网络等大规模系统<math>\Phi</math>计算的核心工具。关于<math>\Phi</math>的近似计算的详细内容可参见[[Φ的近似计算]]词条。

=整合信息论公理体系=

=== 存在性公理 ===
整合信息理论（IIT）以六大公理为基本框架，其基础是第0公理——存在性公理。该公理确立了意识存在的根本地位，包含三个核心主张：一是现实主义，即世界独立于经验而存在；二是操作物理主义，主张物理存在的本质在于能够施加因果作用并产生影响；三是原子论，提出因果力原则上可还原为最小单位之间的相互作用。

从存在性公理出发，IIT 进一步界定了意识经验的五个基本属性：内在性（经验本身即存在）、信息（经验具有具体性）、整合（体验具有统一性）、排除（经验具有明确边界）以及构成（经验具有结构化的复合特征）。每个属性都对应系统因果结构中的物理假设：系统必须具有内在因果力；能够通过内在信息指定特定因果状态；必须以整体形式不可约地实现这一过程，可用φ 度量；只有达到最大不可还原程度的物理底物（复合体）才具有意识；其子结构则通过定义区别与关系形成更高阶的 Φ 结构。

存在性公理同时涵盖现象存在性与物理存在性两个维度。前者强调意识作为主体感知的直接性，其存在不证自明，如笛卡尔所言“我思故我在”；后者则指出任何意识体验都对应某种物理基础，承认意识体验的特殊性，同时坚持其可经由物理系统的因果机制加以解释。这一公理奠定了 IIT 的涌现主义立场，为使用布尔网络、有效信息等因果分析工具研究意识提供了理论基础。

=== 内在性公理 ===
内在性公理是意识研究领域中关于意识存在性的核心设定之一，其核心思想为：意识的存在性是相对于意识主体自身而言的，具有内在性和主观性。具体而言，任何一个系统（如电子设备、生物有机体等）是否具备意识，仅能被该系统自身所感知和确认；对于外部观察者而言，由于无法直接进入系统的内在体验，因此无法从外部客观判定其意识的有无。

这一公理从两个关键角度为意识研究提供了基础框架：

* 物理机制层面
内在性公理隐含了一个推论：若一个系统具备产生意识的可能，其内部的因果机制必须存在明确的边界，能够区分系统自身与外部环境。这种边界是系统形成独立内在视角、进而产生主观体验的物理基础 —— 只有当系统能通过因果互动将自身与外界分离，才能形成 “自我” 与 “非我” 的划分，为意识的内在性提供依托。

* 网络模型层面
在基于网络结构的意识理论中，内在性公理为子网络的研究提供了逻辑前提。它假定网络中的每一个子网络都有可能成为承载意识主体的候选者，因此在量化分析意识相关指标（如 Φ 值）时，需要遍历系统中所有可能的子网络。这一过程的本质，正是对 “每个子网络都可能具有内在意识视角” 这一公理的实践响应。

内在性公理的价值在于，它明确了意识的主观性与内在性本质，为区分 “客观可观测的物理过程” 与 “主观意识体验” 提供了理论边界，同时也为意识研究中的方法论选择（如聚焦系统内部因果结构分析）奠定了基础。

=== 信息公理 ===

信息公理的核心内容为：意识具有具体性（specificity），即每一种意识体验都是独特的，由一系列可区分的现象特征构成，并能与其他可能的体验明确区分（存在差异）。这一公理从主观体验与物理机制的关联角度，揭示了意识的独特性与可区分性的根源。

从主观体验层面来看，信息公理强调意识的每一种状态（如看到红色、感到喜悦、回忆某个场景等）都具有不可替代的具体性。这些体验由特定的感官细节、情感色彩、认知内容等要素组合而成，彼此之间存在明确的界限 —— 例如，“看到蓝色” 的体验与 “听到音乐” 的体验在现象层面截然不同，这种差异是意识本身固有的属性。

从物理机制层面来看，信息公理隐含了意识与系统因果结构的对应关系：一种特定的意识体验必然对应于系统中一种特定的因果结构。这种因果结构可以是复杂网络（如神经元网络中的特定子集、布尔网络中的特定节点连接模式等），其存在方式具有唯一性 —— 即该结构通过自身的连接方式、互动规则等，与其他可能的因果结构形成可量化的差异。例如，大脑中不同神经元集群的激活模式和连接强度差异，对应着不同的感知或思维状态，正是这种物理层面的特异性，为意识体验的具体性提供了物质基础。

信息公理为理解意识的物理基础提供了关键线索：它将主观体验的 “独特性” 与客观系统的 “结构性差异” 直接关联，暗示意识的丰富性源于系统因果结构的多样性。这一原则也为意识的量化研究（如整合信息理论中对 Φ 值的计算）提供了逻辑前提 —— 只有当系统的因果结构具备足够的特异性和可区分性时，才能产生具有具体内容的意识体验。

此外，信息公理还为区分 “有意识的系统” 与 “无意识的机制” 提供了判断依据：一个系统若能产生意识，其内部必须存在足够多样且可区分的因果结构，以支撑不同类型的意识体验；反之，若系统的因果结构单一、缺乏变化（如简单的反射弧），则无法满足意识具体性的要求，也就不具备产生复杂意识的能力。

=== 整合公理 ===

整合公理是意识研究中阐释意识整体性特征的核心原则，其核心思想为：意识具有不可分割的整体性—— 尽管产生意识的系统可能由多个部分构成，但意识体验本身是统一的整体，不会分裂为这些部分的独立体验。这一公理从主观体验与物理机制的关联出发，揭示了意识作为整体存在的本质属性。

从主观体验层面来看，整合公理强调意识的统一性：任何意识体验（如对一个场景的完整感知、一段连贯的思维）都是不可分割的整体。例如，人类感知一朵花时，对其颜色、形状、气味的体验会融合为单一的整体感知，而非各自独立的片段；即使注意力在不同特征间切换，整体体验仍保持连贯性，不会分解为 “颜色意识”“形状意识” 等孤立部分。这种整体性是意识的基本属性，缺失则意味着意识的瓦解。

从物理机制层面来看，整合公理要求：支撑意识的系统必须具备作用于整体层面的因果效应（因果力），且这种因果力具有不可归约性。具体而言：

* 整体因果力：系统各部分之间的因果交互（可用有效信息 EI 刻画）必须能作用于系统整体，而非仅停留在局部。例如，大脑中不同脑区通过神经连接形成的因果互动，会产生超越单一脑区功能的整体效应，这种效应是意识统一性的物理基础。
* 不可归约性：整体因果力不能被简化为各组成单元的独立特性之和。这种不可归约性直接体现在有效信息（EI）和整合信息度量（Φ）中：有效信息通过量化系统各部分间的因果交互强度，反映整体对局部的约束能力；而整合信息 Φ 则通过计算系统最小信息二分切割处的有效信息，衡量整体因果力无法被分割的程度 ——Φ 值越高，表明系统的因果效应越依赖整体结构，越难以被拆解为局部特性的叠加。

整合公理为理解意识的物理基础提供了关键框架：它将意识的 “主观整体性” 与系统的 “客观因果整合性” 关联起来，指出意识的统一性源于系统整体层面不可分割的因果力。这一原则为区分 “有意识系统” 与 “无意识集合” 提供了核心标准 —— 一个系统若能产生意识，其因果效应必须突破局部限制，形成不可归约的整体作用；反之，若系统各部分仅存在松散关联（如一群独立工作的神经元），其因果力可被归约为局部特性，则无法产生统一的意识体验。

在量化研究中，整合公理是整合信息理论（IIT）的核心支柱，Φ 值的计算正是对这一公理的直接实践：通过测量系统抵抗信息分裂的能力，量化整体因果力的不可归约性，进而解释意识为何能作为统一整体存在。这一原则也为神经科学研究提供了方向，例如对大脑丘脑 - 皮层系统高整合性的研究，正是为了揭示其支撑意识整体性的神经机制。

=== 排他性公理 ===

排他性公理主要用于解释意识体验的唯一性以及物理系统因果结构的确定性。
从意识体验的角度来看，该公理指出，在任意一个时刻，主体的意识体验必然是唯一的，不存在同时并存的多种不同体验。并且，这种唯一的意识体验会随着时间的推移呈现出连续流动的特征，构成了个体完整的意识历程。例如，当一个人在欣赏一幅画作时，他此刻的意识体验聚焦于画作的色彩、构图等内容，不会同时产生聆听音乐或品尝食物的清晰意识体验，这种体验的唯一性是意识存在的基本属性。
从物理层面分析，排他性公理强调，由物理系统所定义的因果结构必须具有确定性，不允许出现两个完全重合的因果结构整体。这意味着在对物理系统的研究中，其内部各要素之间的因果关联是明确且唯一的，不存在模糊或矛盾的因果关系叠加。
这条公理的重要意义在于，它为相关研究提供了关键的逻辑基础。在意识的整合信息理论（IIT）等研究框架中，它解释了为什么必须在系统中搜索具有最大 “φ 值”（用于衡量系统整合信息能力的指标）的子集，并且明确了这个最大子集必须是唯一的。因为只有这样，才能与意识体验的唯一性以及物理因果结构的确定性相契合，确保理论体系在解释意识现象与物理系统关系时的自洽性。

=== 复合公理 ===

复合公理揭示了意识体验的构成方式与物理系统因果效应的内在关联。
从意识体验的角度而言，该公理强调意识是具有结构化特征的，每一种具体的意识体验都对应着现象层面可区分的构成要素。这些构成要素既可以是基础性的，也可以是通过组合形成的。例如，当人走出户外时，所产生的 “看到蓝天白云并感受到暖风” 这一意识体验，便是由 “蓝天白云的视觉感知”“暖风的触觉感知” 等多个可区分的部分组合而成。这种结构化的构成是意识体验呈现丰富性和多样性的基础，使得不同的意识内容能够被清晰地区分和整合。
从物理层面来看，复合公理表明，与意识体验相对应的物理系统的最终因果效应也必须是结构化的。具体来说，这意味着物理系统中不同的可区分子集之间存在着相互作用的因果力，这种因果力能够让各个子集之间产生显著差异。正是这种结构化的因果互动，为主体能够感受到不同的意识体验提供了物理层面的支撑。例如，大脑神经系统中不同的功能区域作为可区分的子集，通过神经信号的传递和交互产生因果作用，使得视觉、触觉等不同的感知信息得以被区分和整合，最终形成完整的结构化意识体验。

所谓的公理，就是不证自明的假说。凭借这六条公理，托诺尼便构建了整个计算Φ 的数学体系，这便是整合信息论。尽管自从提出之日起，整合信息论就不断地遭到人们的攻击和质疑，但是不可否认的是，整合信息论是目前最经受得起考验的一个定量意识理论之一。特别是，近期有关意识的对抗性合作实验Cogitate的成功实施，让整合信息论获得了更多实验方面的支持。

= IIT各版本理论介绍 =

== IIT2.0 ==
IIT 2.0 是整合信息理论的第二个版本，核心是把意识的 “质” 数学化为高维 Q 空间中的几何形状（感质形状）：它在 IIT 1.0 的基础上，将适配场景从平稳系统拓展到离散动态系统，用最小信息分割量化系统的整合信息 Φ，并通过q 箭头的纠缠度 γ定义子机制间的信息关系，最终这些信息关系的集合会在 Q 空间中形成唯一的几何结构 —— 这个结构就是意识体验 “质” 的数学表征，结构的复杂度对应体验的丰富度。

=== 可能性分布（repertorie） ===
它是描述系统可能先前状态的概率分布（而非单纯的状态集合），是后续信息量化计算的核心基础。

==== 先验概率分布（Prior Repertoire） ====
在完全无知的情况下，系统所有可能初始状态的分布，在离散的马尔科夫动力系统中通常是均匀分布，同时也是最大熵分布。例如 n 个二元元素的系统有

[math]\displaystyle { 2^n }[/math]种初始状态，每种概率相等。

==== 后验概率分布（Posterior Repertoire，actual repertoire ） ====
给定系统机制与当前状态 [math]\displaystyle { x_1 }[/math] 后，筛选出的 “能通过该因果机制产生当前状态 [math]\displaystyle { x_1 }[/math] 的先前状态”，由系统内在因果规则唯一确定。反映系统通过因果机制对 “先前状态可能性” 的约束能力，分布的非均匀性直接体现信息的产生 —— 约束越强，分布越集中，不确定性越低。

=== 单点有效信息（Elementary Effective Information, ei） ===
单点有效信息定义为系统从先验概率分布（最大熵分布）过渡到后验概率分布（通过因果机制确定的分布）时所减少的不确定性，也通过 “系统机制与当前状态所限定的过往状态实际分布” 相对 “所有可能状态均匀分布（最大无知）” 的 KL 散度计算。公式：

<nowiki>[math]\displaystyle { ei (X_0 \to x_1)== H\left[ X_0(\text{mech}, x_1) \parallel X_0(\max H) \right]=H (p_{\text {max}} (X_0)) - H (p (X_0 \to x_1)) }[/math]</nowiki>

下图展示了3个AND门系统，先验概率分布含 8 种状态，熵 = 3 比特；仅 1 种初始状态能导致[math]\displaystyle { x_1 =001 }[/math]，后验概率分布熵 = 0。单点有效信息根据公式计算为3比特。

[[文件:图4.1 3 个 AND 门系统.jpg|无|缩略图|600x600像素|图4.1 3 个 AND 门系统.jpg]]

=== 最小信息分区（Minimum Information Partition，MIP）===
同样要求在 IIT2.0 中，最小信息划分（MIP）是量化系统信息整合性的核心概念，其含义为系统所有可能分割中，“标准化有效信息” 最小的分割；若存在多个分割的标准化值相同，则进一步选择 “未标准化有效信息最低” 的分割作为 MIP。MIP 的本质逻辑是：通过寻找 “对系统整体信息整合破坏最弱的分割”，间接反推系统作为 “不可还原整体” 的信息整合强度 —— 分割后的 “标准化有效信息”越小，意味着分割对系统整合性的破坏越轻微，系统本身的整合能力就越强；反之，若该值越大，则系统越容易被分割拆解，整合性越弱。

<nowiki>与 IIT1.0 版本中的最小信息二分（MIB）概念相比，此处的 MIP 概念不限于将研究的系统二分，而是可将系统分割为 k 份（k>=2），以及此处采用的单点有效信息（ei）作为衡量指标。最小信息划分数学表达式为
[math]\displaystyle P_{\text{MIP}} = \arg\min_{P} \left\{ \frac{ei\left(X_0 \to x_1 / P\right)}{N_P} \right\}[/math]
其中 [math]\displaystyle { ei (X_0 \to x_1 / P) }[/math]，是 “分割 P 下的有效信息”，本质是通过 KL 散度（[math]\displaystyle { H [\cdot \parallel \cdot] }[/math]）衡量 “系统整体后验状态分布库” 与 “分割后各部分后验分布乘积” 的信息差异，该差异直接反映了分割对系统整体信息的破坏程度。其公式为：[math]\displaystyle P^{MIP} = \arg\min_{P} \left\{ \frac{ei\left(X_0 \to x_1 / P\right)}{N_P} \right\}[/math]</nowiki>

<nowiki>[math]\displaystyle { N_P }[/math] 是 “标准化系数”，用于消除分割尺寸偏差，公式为
[math]\displaystyle N_P = (m - 1) \cdot \min_k \left\{ H^{max}\left(M_0^k\right) \right\}[/math]，m 为分割的部分数量，[math]\displaystyle { H_{\text {max}}(M_0^k) }[/math] 为部分的最大先验熵。
找到 MIP 后，IIT2.0 将整合信息 Φ 直接定义为该分割下的有效信息，即</nowiki>
<nowiki>[math]\displaystyle { \phi (x_1) = ei (X_0 \to x_1 / P_{\text {MIP}}) }[/math]。这一关联的逻辑闭环在于：MIP 是 “破坏系统整合最弱的分割”，其对应的 ei 值恰好量化了 “系统作为整体，比‘最弱分割后的独立部分’多产生的信息”—— 这部分无法被分割后的部分独立解释的信息，正是系统的核心整合信息。若 Φ=0，说明分割后的部分独立工作即可完全解释系统整体信息，系统无实质整合性；若 Φ>0，则表明系统是不可还原的整体，Φ 值越大，系统的整合能力越强。</nowiki>
=== 意识的“质” ===
David Balduzzi 和 Giulio Tononi 于 2009 年在整合信息理论（Integrated Information Theory, IIT）的基础上，提出了一个用以数学化（qualia）的几何框架。核心主张是：意识的“质”并非神秘不可言说，而是对应于高维“感质空间（Q空间）”中的一个具体几何形状，该形状由系统中所有信息关系的集合唯一确定。在论文<ref name="tononi_2012">{{cite journal |last1=Tononi |first1=G. |title=Qualia: The Geometry of Integrated Information |journal=PLOS Computational Biology |volume=8 |issue=8 |pages=e1002850 |year=2012 |doi=10.1371/journal.pcbi.1002850 |url=https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1002856}}</ref>中指出，意识研究面临两大问题：意识的“量”（level of consciousness）与“质”（quality of experience）。IIT 提出，意识的量由整合信息（Φ）度量，即一个系统作为一个整体所产生的、超越其各部分独立产生的信息量。而在描述意识体验的几何框架中重点在于阐述意识的质——即不同体验（如看到红色、听到声音）之间的区别如何通过信息关系的结构来刻画。
框架中构建了名为 “感质空间（Q-space）” 的数学空间，其维度等于系统所有可能状态的数量（如 n 个二值神经元有 2ⁿ 个状态）。在该空间中：

*每个子机制（submechanism）（即一组连接或作用单元）通过其后验概率分布——该系统在给定机制和当前状态下可能的前状态概率分布——定义为一个点；

*点之间的箭头（称为 q-箭头）表示信息关系，其“长度”由两个分布间的相对熵（Kullback-Leibler divergence）度量，代表该子机制在特定语境下所生成的信息量；

所有这样的点和箭头共同构成一个高维几何形状，称为 “感质（quale）” ，它完全且唯一地规定了当前意识体验的质量。

下图展示 IIT 2.0 中 4 个二值单元构成的全连接系统对应 16 维 Q 空间，图 A 呈现该系统某子机制的后验概率分布（1.1 比特）作为感质形状的基础信息单元，图 B 则将各子机制的后验概率分布（以点表示，标注信息强度）通过代表信息关系的q-arrow连接，形成 Q 空间中唯一的几何结构（感质形状），其复杂度对应意识体验的丰富度，完整演示了从 4 单元系统到意识 “质” 的数学表征的构建流程。
[[文件:整合信息论图7.png|无|缩略图|600x600像素|如何从一个由4个单元构成的系统及其活动模式构建出对应的感质形状]]

==== 纠缠（Entanglement） ====
纠缠度是量化子机制间信息关系不可还原性的关键指标，核心衡量子机制对应的子 q - 箭头联合生成的信息，能否还原为各子 q - 箭头独立信息之和，用符号γ表示。这一指标直接反映子机制间是否存在实质性因果交互，是判断信息关系协同效应的核心依据。γ是子机制组合后的整体信息分布与拆分后各子机制独立信息分布的乘积之间的相对熵，[math]\displaystyle \gamma\left(X_0\left[m,x_1\right] \to X_0\left[m \cup r,x_1\right]\right) = H\left[ X_0\left(m \cup r,x_1\right) \Bigg\| \prod_{M^k \in \text{MIP}_r} M^0\left(m \cup r^k,x_1\right) \right][/math]

当 γ>0 时，子机制间的信息关系不可分解，存在明显纠缠效应。此时子 q - 箭头联合生成的信息具有 “1+1>2” 的协同特性，整体信息大于各部分独立信息之和，这种协同效应的根源是子机制间的实质性因果依赖 —— 子机制彼此交互形成新的信息约束，无法通过单独分析各子机制的独立信息推导整体关系。

当 γ=0 时，子机制间的信息关系可完全分解，不存在纠缠效应。此时子 q - 箭头的信息能够独立叠加，无额外协同作用，整体信息恰好等于各部分独立信息之和，本质是子机制间无实质性因果依赖，联合后的信息关系未产生新约束，可通过各子机制独立信息库的乘积完全还原。

==== 概念（concepts） ====
概念是不可分割的信息关系—— 即 γ>0 的 q-arrow。它是系统通过子机制实现的有上下文依赖的判别能力，无法拆分为更简单的独立信息单元。

如下图，AB 所示的系统，元素 1、2 通过连接[math]\displaystyle c^{13} c^{23} [/math]指向元素 3，构成沉默 AND 门，其逻辑规则要求双输入需同时沉默才能使输出元素 3 沉默，子机制间的因果依赖让联合实际库（子机制协同作用下的状态分布）与独立子库乘积（单独子机制状态分布的乘积）无法重合，最终对应 γ>0 的纠缠状态；CD 所示的子机制组合，联合后未形成新的状态约束，各子机制的信息作用相互独立，无需协同即可解释整体信息，其联合实际库与独立子库乘积完全重合，对应 γ=0 bits 的无纠缠状态。
[[文件:纠缠.png|无|缩略图|400x400像素|沉默AND门产生纠缠，NOISY COPY 系统信息独立]]

==== 模式（mode) ====
模式是由大量高纠缠度（γ>0）的概念（不可分割信息关系）层级化聚合形成的感质空间（Q）子形状，对应意识体验的功能性分类（如视觉、听觉、触觉等）；其核心特征是局部最大密集纠缠—— 作为感质空间中比周围 q - 箭头更密集纠缠的子集合，既不被包含在更密集纠缠的更大集合中，又类比于生成整合信息$\Phi>0$的复合体（complex）。不同模式对应视觉、听觉等不同功能模式，既相对独立又共同构成整体意识体验，如看电影时的视觉与听觉模式。

亚模式是模式下的细分维度，对应同一模式子形状中更密集的纠缠信息关系子集。

在图4.4中具象化了模式概念，通过一个包含 “AND 门” 与 “COPY 门” 的混合系统，直观呈现模式是最大密集纠缠的 q-arrow 集群这一核心定义，同时揭示模式与系统连接性、纠缠分布的关联。图4.4AB中用粉色区域标记 {c¹³,c²³} 对应的 q-arrow 集群，该区域的纠缠密度显著高于周围（尤其是 c³² 对应的灰色区域），形成一个独立的子形状—— 这一子形状即模式，因为它是局部最大密集纠缠的集合，且不被任何更大的、纠缠密度更高的 q-arrow 集群包含。而图4.4AC中C32用灰色区域表示，q - 箭头无密集纠缠，无法形成独立的子形状，未产生纠缠。
[[文件:局部截取 20251109 152740.png|无|缩略图|600x600像素|模式]]下图以嵌套多面体的形式呈现了Q空间中意识质性的层级结构：最外层浅紫色多面体是整体质性，作为意识体验的“整体容器”，涵盖系统所有信息关联；中层的浅蓝色视觉和深绿色听觉是模式，二者内部信息纠缠度高但相互间连接稀疏，分别对应视觉、听觉这两种独立的意识模态；而内层嵌套在视觉模式里的深蓝色颜色、形状、纹理则是亚模式，它们内部信息关系比模式更密集，对应视觉体验中颜色、形状、纹理等细分内容。
[[文件:模式.png|无|缩略图|600x600像素|Q 空间中意识质性的模式 - 亚模式层级结构示意图]]

==IIT3.0==

===因果信息（cei）===
因果信息（cause-effect information，因果效应信息）是用于衡量单个机制（如一个神经元或逻辑门）在其当前状态下对系统的过去和未来状态所施加的选择性约束的量。具体来说，cei 表示该机制从系统内在视角（intrinsic perspective）所指定的“有意义的差异”（differences that make a difference）。
公式：
<math>cei = min(ci,ei)</math>

====原因信息ci====
机制在当前状态<math>s_0</math>下，对系统过去状态的概率分布（即原因 repertoire）与无约束过去分布（uniform distribution）之间的差异。

====结果信息ei====
机制在当前状态<math>s_0</math>下，对系统未来状态的概率分布（即效果 repertoire）与无约束未来分布（由系统输入无约束扰动得出）之间的差异。

=== 系统整合信息（φ，“小 phi”）===

<math>\phi</math>衡量的是单个机制（如一个神经元、一个逻辑门，或一组元素构成的子机制）在其当前状态下，所指定的因果信息（cei）在多大程度上是不可被其组成部分还原的。

其核心思想为：一个机制（例如 AB）可能显示出很高的因果信息（cei），但如果这个信息完全可以由它的两个部分（A 和 B）独立提供，那么这个整体机制 AB 就从系统的内在视角来看是“多余”的，它并不作为一个独立的因果实体而存在。<math>\phi</math> 衡量的是这个机制“作为整体”（above and beyond its parts）的因果贡献。

计算方法：
*确定机制：选择一个机制（如 AB 在状态 11）。
*寻找最小信息分区（MIP）：在所有可能的分区（Partition）中，找到那个对机制指定的因果 repertoire 破坏最小的分区。分区的方式是“注入噪声”来切断部分之间的因果连接。
*计算差异：计算未分区时整个机制指定的因果 repertoire 与 MIP 分区后的因果 repertoire 之间的 Earth Mover's Distance (EMD)。
*取最小值：与 cei 类似，<math>\phi</math>是原因方向的<math>\phi</math>（<math>\phi_{\text{cause}}</math>）和效果方向的<math>\phi</math>（<math>\phi_{\text{effect}}</math>）中的最小值。

<math>
\phi = \min(\phi_{\text{cause}}, \phi_{\text{effect}})
</math>

如果<math>\phi > 0</math>，则该机制是一个概念（Concept）。它从一个不可还原的因果视角指定了系统处于何种状态（它的最大不可还原因果 repertoire，MICE），并对意识体验的质量（内容）有贡献。<math>\phi</math>值的大小代表这个概念在体验中“呈现的程度”。如果<math>\phi = 0</math>，则该机制不是一个独立存在的概念，它的因果作用可以完全由其分解后的部分来解释。

简单比喻：
一个单词（如“SONO”）的含义，不能还原为“SO”和“NO”两个部分含义的简单叠加。它的“$\phi$”很高。而“AB”机制如果只是两个独立信号的简单并列，它的“<math>\phi</math>”就为0。

=== 结构整合信息（Φ，“大 phi”）===
<math>\Phi</math>衡量的是整个系统（一组机制）所生成的概念结构（Conceptual Structure）在多大程度上是一个不可还原的整体。

其核心思想为：一个系统可能包含很多概念（<math>\phi > 0</math>的机制），但如果这些概念是彼此独立的（例如，系统可以轻易地被分成两个独立运作的模块而概念结构不发生改变），那么这个系统就无法形成一个统一的意识体验。<math>\Phi</math>衡量的是系统作为一个整体的 “不可分割性”，它直接对应于意识水平的高低。

计算方法：
* 确定候选系统：选择一个待评估的系统（如一组神经元或逻辑门）。
* 寻找最小信息分区（MIP）：在所有可能的单向分区（Unidirectional Partition）中，找到那个对系统整体概念结构破坏最小的分区。这是系统层面的 MIP。
* 计算差异：计算未分区时系统的概念结构（C）与 MIP 分区后的概念结构（<math>C_{\text{MIP}}</math>）之间的扩展版 Earth Mover's Distance (EMD)。这个距离计算的是将 “概念星座” 从完整形态 “移动” 到被分区破坏后的形态所需的 “成本”，成本权重是每个概念的<math>\phi</math>值。
* 排除公理：在所有重叠的子系统（Supersets and Subsets）中，只有那个能最大化<math>\Phi</math>的集合才能被称为复合体（Complex）。这个最大的<math>\Phi</math>值记为<math>\Phi^{\text{Max}}</math>。

<math>
\Phi = D(C \mid\mid C_{\text{MIP}})
</math>

如果<math>\Phi^{\text{Max}} > 0</math>，则该集合是一个复合体（Complex），它是意识的主体。它从自身的内在视角出发而 “存在”。<math>\Phi^{\text{Max}}</math>的数值代表意识的数量（Level of Consciousness）。该复合体生成的最大不可还原概念结构（MICS）完全描述了意识的质量（Content of Consciousness），即 “体验是什么样子”。

简单比喻：
一幅画（概念结构）的整体美感和意义（<math>\Phi</math>），不能还原为画布左上角（分区 1）和右下角（分区 2）的简单拼凑。如果你用一道裂缝（分区）把画分开，整体意义就丢失了，这幅画的 “<math>\Phi</math>” 就很高。而一幅拼贴画可能很容易分割而不损失太多意义，它的 “<math>\Phi</math>” 就较低。

=== 最大不可约概念结构（MICS）===
前面我们介绍了<math>\phi</math>与小<math>\Phi</math>的概念，它们的关系则是：一个系统（复合体）的 Φ 值取决于其所有概念（φ > 0 的机制）如何整合成一个不可分割的整体概念结构（MICS）。<math>\Phi</math> 不是各个 <math>\phi</math>的简单加总，而是它们通过相互作用所涌现出的全局属性。

最终，IIT3.0认为：一个系统的<math>\Phi^{\text{Max}}</math>值定义了其意识水平，而由该系统的概念（<math>\phi</math> > 0）所构成的最大不可还原概念结构（MICS）则定义了意识的具体内容。

==IIT4.0==

=== 内在信息（ii）===

=== 最大整合信息φ* ===

= 整合信息论的应用 =

==从意识科学到机器意识==

==神经科学与意识的数学语言==

=其他意识相关理论=
==全局神经网络工作空间（GNWT）==
意识如何从大脑活动中产生是当代神经科学的核心难题。除了'''整合信息理论（Integrated Information Theory, IIT）'''之外， '''全局神经网络工作空间理论（Global Neuronal Workspace Theory, GNWT）'''提供了一种截然不同但也极具影响力的框架，并各自拥有不断增长的实验证据支持。

=== '''GNWT模型''' ===
GNWT最早由Baars于1988年提出，是一种用于解释认知过程的心理物理学范式。GNWT提出，意识对应于信息被广播到遍布大脑的“全局工作空间”的过程。当感觉信息得到足够深入的加工，从而被前额叶、前扣带回等顶额叶网络中的神经元群体“点燃”（ignition）时，它才会进入意识。这种全局的可用性使得信息能够被报告、用于决策和长期记忆。 [[文件:GNWT hypothesis.png|缩略图|462x462像素|全局神经网络工作空间理论模式图]]

GNWT计算模型的主要构成（以“词语-颜色” Stroop 任务模拟为例）：

* 输入系统： 4个“词语”输入单元 + 4个“颜色”输入单元。

* 模块化处理器：直接连接输入和输出（命名）单元的通道。词语->命名的连接权重被预设得比颜色->命名的更强，模拟了人们更习惯读词的现象。

* 全局工作空间神经元：随机、片状地连接到各个处理器。这是模型的关键：初始连接是随机的，没有预置任何规则。

* 评估与奖励系统：提供成功（R=+1）或失败（R=-1）的信号。

=== GNWT相关实验证据 ===
GNWT是基于人类大脑活动提出的假说和模型，经过演变和发展，也有在小鼠上得到验证的实验证据。

1. '''意识进入的“全或无” ignition现象。'''GNWT的一个关键预测是意识访问的阈值性。大量脑电图（EEG）和功能性磁共振成像（fMRI）研究显示，被有意识感知的刺激会引发一个晚期（~300ms）、持续且分布广泛的前额顶叶网络活动；而未被意识感知的刺激（阈下刺激）仅能诱发短暂的早期局部活动 (Dehaene & Changeux, 2011)。这种“全或无”的全局激活模式被认为是意识“点燃”的神经标志。

2. '''前额叶顶叶网络在意识中的必要性。'''神经心理学和神经调控证据支持前额顶叶网络对于意识访问至关重要。前额叶损伤患者可能表现出意识障碍（如执行功能缺陷）；更重要的是，直接对顶内沟（顶叶的关键节点）进行经颅磁刺激可以暂时中断视觉刺激的有意识感知，使其无法被报告 (Boly et al., 2017)。这表明该网络不仅是相关的，更是意识访问的必要条件。通过多模态成像（包括超声功能成像和钙成像）和光遗传操控技术，在小鼠的非快速眼动睡眠（Non-rapid eye movement sleep, NREM sleep）中，从视觉皮层到前额叶皮层的的信息传播被显著抑制（Li B. et al., Cell, 2023）。NREM睡眠期间前额叶活动的抑制与意识减弱同步，符合GNWT中前额叶作为“工作空间”的定位。全或无的“点燃”现象：清醒时V1-PFC的信息传播呈现阈值性激活（类似GNWT的“ignition”），而NREM睡眠中这种传播被阻断，与GNWT对意识访问的机制描述一致。

=== '''整合信息理论（IIT）与全局神经工作空间理论（GNWT）的比较''' ===
IIT的核心观点是：意识等同于一个系统因其因果结构而具有的“整合信息”量，用 '''Φ'''表示。一个系统必须是高度不可分的（integrated）且具有特定的因果结构（cause-effect structure），才能产生意识。该理论预测，意识体验依赖于后皮层（如后顶叶、颞叶和枕叶区域）一个“最大”的复杂网络，而大脑前额叶等区域在意识中的作用相对次要。

1. '''意识状态下的高复杂度神经信号。'''IIT预测，处于有意识状态时，大脑应表现出高度不可分和特异性的活动模式。使用'''微扰复杂度指数（Perturbational Complexity Index, PCI）'''等测量方法，研究发现该指标能可靠地区分无意识（如睡眠、麻醉、植物状态）和有意识的大脑状态 (Casali et al., 2013)。PCI值高表明大脑对微扰（如经颅磁刺激，TMS）产生了复杂且遍布全局的反应，这与高信息整合能力一致；而PCI值低则表明反应简单或局部化。该指标已被临床用于评估意识障碍患者。

2. '''后皮层的“意识核心”作用。'''神经成像研究支持IIT关于意识内容依赖于后皮层网络的预测。例如，在双眼竞争和闪现抑制范式中，尽管被试的报告行为是由前额叶活动驱动的，但报告的意识知觉内容本身（如看到的是脸还是房子）其神经表征更稳定地出现在颞叶和枕叶的视觉加工区域 (Frässle et al., 2014)。这与IIT认为前额叶主要负责报告和访问，而非产生意识体验本身的观点相符。

IIT和GNWT得到了不同实验范式的支持。IIT的证据侧重于'''意识状态'''的测量（如PCI）和'''意识内容'''在感觉皮层的表征，强调后皮层网络是产生意识的物理基质。而GNWT的证据则侧重于'''意识访问'''的机制，强调前额顶叶网络在信息全局广播中的必要性。未来的研究需要设计能够直接区分两者核心预测的实验（如比较前额叶与后皮层在意识中的因果作用），以期最终调和或裁决这两种理论，从而更深入地揭示意识的神经本质。

== 循环处理理论（RPT） ==
RPT理论由神经科学家维克多·拉米（Victor Lamme）提出，其主要观点是：意识体验的产生依赖于大脑神经网络中循环往复的信息处理，而不仅仅是单向的前馈传递。

该理论强调，当感觉信息（如视觉信号）从低级处理区域（如初级视觉皮层）传递到高级联合皮层后，高级区域必须将处理结果反馈回低级区域，形成循环回路。这种“再入”或“反馈”处理使得信息在不同脑区之间被持续整合和精细化，从而形成统一、有组织的感知体验。

拉米进一步将这一过程细分为四个阶段，揭示了从无意识到完全意识的过程：

* 浅层处理：刺激未被注意且被掩蔽时，仅发生局部的前馈处理。

* 广泛处理：刺激被注意但仍被掩蔽时，神经活动扩散更广，但仍以前馈为主。

* 含循环的浅层处理：刺激未被注意但未被掩蔽时，开始出现循环处理。

* 含循环的广泛处理：刺激被注意且未被掩蔽时，各脑区间进行广泛的循环处理，此时个体达到完全的意识状态，能够清晰感知和报告刺激。

== 高阶思想理论（HOT） ==
高阶思想理论与RPT的神经科学视角以及IIT和GNWT的计算理论视角不同，更侧重哲学和认知层面。其核心主张是：一个心理状态（例如“看到红色”）要成为有意识的，只有当主体拥有一个关于该心理状态的高阶思想时才会发生。

maybe add the final part '总结与讨论'.

=参考文献=
<references/>

文件:Logistic Model.jpeg

2025-12-06T09:23:25Z

相信未来：

复杂地球系统的统计物理方法

2025-12-04T09:50:17Z

相信未来：

[[复杂]]地球[[系统]]的[[统计物理]]方法

[图片]
论文题目：Statistical physics approaches to the complex Earth system
论文地址：https://doi.org/10.1016/j.physrep.2020.09.005
作者 | Jingfang Fan, Jun Meng, Josef Ludescher, Xiaosong Chen, Yosef Ashkenazy, [[Jürgen Kurths]], Shlomo Havlin, Hans Joachim Schellnhuber
译者 | 任鹏臻; 张清源
审校 | [[杨明哲]]
编辑｜赵思怡
摘要：全球变暖、极端气候事件、地震以及伴随的社会经济灾难对人类造成了严重的威胁。然而，由于地球[[系统]]的非线性[[反馈]]、多重相互作用以及[[复杂]]结构等因素，在对此类灾难性事件的理解和预测方面，对于科学界和政界而言都构成了巨大的挑战。近年来，地球[[系统科学]]的兴起与发展备受关注，并催生了新理论框架。特别是基于[[统计物理]]学和[[复杂网络]]技术的创新方法不断[[涌现]]，显著深化了人类对地球[[系统]]的认知——包括气候极端事件、地震与地形特征研究——从而大幅提升了预测能力。本文全面综述了[[统计物理]]学与[[复杂系统]]科学方法（如临界现象、网络理论、逾渗理论、[[临界点]]分析和熵理论）在地球[[复杂系统]]研究中的应用进展。值得注意的是，这些融合性工具与方法为理解地球[[系统动力学]]提供了全新视角。本综述的核心目标，是向读者阐明[[统计物理]]学概念及理论如何推动地球[[系统科学]]领域的发展。
1. 引言（Introduction）
1.1 地球作为一个[[复杂系统]]（The Earth as a complex system）
地球作为一个综合[[系统]]运行，由岩石圈、大气圈、水圈、冰冻圈及生物圈等组分构成，这些组分之间及其内部存在非线性相互作用与[[反馈]]回路[1]。这些组分本身亦可视为自我调节[[系统]]，并能进一步细分为更专业的子[[系统]]。然而，随着对物理、化学、生物及人文过程间多组分相互作用认知的深化，学界日益意识到需要整合多学科视角，将地球视为整体[[系统]]进行研究。此类探索及其成果催生了一门新兴的"地球的科学"——地球[[系统科学]]（Earth System Science, ESS）[2]。ESS框架已展现出其作为强大工具的潜力，能有效揭示地球作为[[复杂系统]]的动态演化规律与结构特征。
地球[[系统科学]]（ESS）在20世纪早中期兴起，并于近数十年迅速发展。其历史演进可简要划分为四个阶段[2]：(i)先驱与萌芽期（20世纪70年代前）。地球的[[系统]]性本质主要通过概念性框架得以阐释，如维尔纳茨基提出的生物圈理论——强调生命体对地球物理化学特性的深刻影响[3]，以及洛夫洛克的[[盖亚假说]]——将地球视为协同[[自组织]]的[[复杂系统]][4]。这些理论为当代地球[[系统]]认知奠定基石。1957—1958年国际地球物理年（IGY）更推动了两大现代范式的发展：现代气候学与板块构造理论[5,6]。(ii)学科奠基期（1980年代）。20世纪80年代，系列研讨会及会议报告首次提出将地球作为整体[[系统]]（Earth system）的新认知。其中美国宇航局（NASA）开发的布雷瑟顿图[7]，首次通过[[系统动力学]]方法耦合物理[[气候系统]]与[[生物地球化学循环]]。1987年世界环境与发展委员会发布的《布伦特兰报告》[8]确立可持续发展指导原则，并阐明环境问题对地球[[系统]]的重要性。此阶段还创立了多个国际组织：世界气候研究计划（WCRP）致力于气候可预测性及人类活动影响研究；国际地圈-生物圈计划（IGBP，1987年启动）协调全球与区域尺度下地球生物-化学-物理过程及其与人类[[系统]]的交互研究；政府间气候变化专门委员会（IPCC，1988年成立）为政策制定者提供气候变化科学评估。(iii) 全球拓展期（1990—2015年）。在IGBP等国际计划推动及布雷瑟顿图广泛应用下，ESS从"地球新科学"运动发展为全球性学科。国际全球环境变化人文因素计划（IHDP）同期成立，旨在整合社会科学对全球变化的研究。(iv)当代发展阶段（2015年至今）。21世纪ESS框架臻于成熟，并催生"[[未来地球]]"（Future Earth）计划——整合IGBP、IHDP等国际项目，其使命是通过科研创新加速全球可持续转型。如图1所示（参照文献[1]），我们梳理了标志ESS发展的核心组织、出版物、行动与事件。
在地球[[系统科学]]（ESS）的发展历程中，汉斯·约阿希姆·舍伦胡贝尔（Hans Joachim Schellnhuber）提出并发展了一个关于ESS的基本概念：在全球尺度上，自然与人类因素之间动态的、[[共同演化]]的相互关系[9]。他提出，地球[[系统]]E可以从概念上用以下数学形式表示：
$$E = (N, H),$$
其中 $$N=(a,b,c,...); H=(A, S)$$。该模型表明整个地球[[系统]]包含两个主要部分：$$N$$代表生态圈，$$H$$则被解释为人类驱动因素。$$N$$由一系列[[复杂]]相互作用的行星子[[系统]]组成，例如 $$a(大气圈, atmosphere),b(生物圈,biosphere),c(冰冻圈, cryosphere)$$等。而人类因素$$H$$更加微妙：$$A$$表示“物理”子成分，而“形而上学”的子成分$$S$$ 反映了“全球主体”的出现。这项工作为将人类动力学完全整合进地球[[系统]]提供了概念框架，并构建了对地球统一的理解。

目前有许多工具和方法支持 ESS 的演化发展。然而值得注意的是，它们可以被整合到三个相互关联的重点领域中：观测、建模与计算机模拟、评估与综合分析[2]。地球观测通常指的是仪器数据，例如气象站或极轨及静止卫星所收集的数据。然而，这类数据集最多只能回溯到过去一至两个世纪。为了拓展我们对数千甚至数百万年前的认识，气候代用资料填补了这一空白。这些代用记录包括珊瑚记录[10]、海洋沉积物[11]、石笋时间序列[12]、树木年轮[13]以及沃斯托克[14]和EPICA[15]冰芯记录，[[帮助]]我们更好地理解过去的地球[[系统]]。数学模型是当前理解和预测气候及地球[[系统]]的关键方法。这些模型从简单的概念性气候模型——能量平衡模型（Energy Balance Models, EBMs）[16]到更[[复杂]]的地球模型——通用大气环流模型（the General Circulation Models, GCMs）[17]不等。此外，综合评估模型（the Intergrated Assessment Models, IAMs）被设计用来将人类动力学作为重要组成部分纳入考虑，旨在理解人类发展和社会选择如何相互影响并与自然世界（包括气候变化）相互作用[18,19]。基于 GCMs，还开发了地球[[系统]]中间[[复杂]]度模型（the Earth systems Models of Intermdediate Complexity, EMICs），用于以较低的计算成本研究长时间尺度上的地球[[系统]][20]。这些模型提供知识整合手段，从而探索跨越多个空间和时间尺度的地球[[系统]]的动态特性与基本机制。评估与综合分析在建立新的科学认识、连接科学界与政界、以及根据来自政治领域的[[反馈]]推动新研究领域方面也发挥了关键作用。

随着 ESS 的不断发展，一些新的概念和理论也应运而生，包括可持续性概念[21]、“人类世”（Anthropocene）[22]、“临界要素”（tipping elements）[23]、“行星边界框架”（planetary boundaries framework）[24]，如行星阈值和状态转变[25]等。总体而言，这些新理论和新概念为我们更好地理解和预测地球[[系统]]未来演变[[路径]]提供了强有力的方法论支撑。
[图片]
图1. 地球[[系统科学]]（ESS）发展的时间线示意图。该图展示了[[帮助]]定义和推动地球[[系统科学]]发展的一些关键组织、出版物、活动、事件和概念。
来源：改编自文献[2]中的图表。
1.2 为什么是[[统计物理]]学？（Why Statistical Physics?）
尽管地球[[系统科学]]（ESS）的迅速发展，极端气候事件和地震的本质及统计特性仍然难以捉摸并存在争议。此外，这些现象早期预警信号的存在仍然是一个重大的开放性问题。因此，在这篇综述中，我们将提出几种基于或源于[[统计物理]]学的新方法，以增强我们对地球[[系统]]可能如何演化的理解。特别是，从跨学科视角出发的[[统计物理]]学与地球[[系统]]的结合，导致了在预测[[气候系统]]和地震[[系统]]内的高影响力破坏性事件方面的能力有所提高。
[[统计物理]]学是物理学的一个分支，它大量借鉴了概率定律和许多相互作用成分的统计学原理。它可以描述具有内在随机性质的各种[[系统]]，旨在预测和解释宏观[[系统]]的可测量属性和行为。该领域已经被应用于包括物理、生物、化学、工程以及社会科学在内的多个问题的研究。需要注意的是，[[统计物理]]学并不关注每一个单独粒子的动力学，而是关注大量粒子的宏观行为。[[统计物理]]学的基本理论和思想在很多教科书中都有描述，如[26-28]。
赛斯纳在他的书[29]中这样描述[[统计物理]]学与[[复杂系统]]间的关系：“自然界中的许多[[系统]]过于[[复杂]]，无法直接分析。解决冰块中的所有原子运动——或者地震断层中的巨石，或是互联网上的节点——根本不可行。然而，这样的[[系统]]常常表现出简单而显著的行为。我们使用[[统计力学]]来解释这些[[复杂系统]]的简单行为。” 一个[[复杂]]的[[系统]]通常被定义为由许多相互作用的组件组成的[[系统]]。考虑到其组成部分和相互关系的多样性，地球[[系统]]可以被解释为一个不断进化的[[复杂系统]]。[[统计物理]]学的概念和方法可以渗透到地球[[系统科学]]中，特别是：(i)临界现象类似于临界元素：如果一个[[系统]]接近[[相变]]或[[临界点]]，则[[系统]]将崩溃并发生故障。(ii)[[分形]]概念用于描述地球的地貌、形状、海岸线和岛屿。(iii)地震过程被视为一种[[复杂]]的时空现象，并已被视为[[自组织临界性]](SOC)范式。此外，地震活动在时间和空间维度上都表现出尺度特性。
[[复杂网络]]理论提供了研究[[复杂系统]]结构、动力学和功能的强大工具。同时，[[统计物理]]学提供了一个基本框架，并为理解[[复杂网络]]的许多属性带来了理论见解。从应用的角度来看，[[统计物理]]学已经引导了再现现实世界网络的全局和局部特征的零模型的定义。[[复杂网络]]理论是一个新兴的多学科领域，已应用于数学、物理、生物学、计算机科学、社会学、流行病学等多个领域。[[网络科学]]的思想也成功应用于[[气候系统]]，并揭示了其功能背后的有趣机制，从而催生了气候网络(Climate Network, CN)这一新概念的发展。CN中的节点代表可用的地理位置时间序列，尤其是规则的经纬度网格，而不同网格点间的非线性气候记录之间的相似性和因果关系则构成了CN的链接。这种基于数据的方法的发展正在提供调查气候变化模式和动态的全新途径。
在这篇综述中，我们将介绍如何在地球[[系统科学]]中应用[[统计物理]]学方法。特别地，我们的重点主要放在地球[[系统]]的表面，包括[[气候系统]]、地球地貌以及地震[[系统]]，但不包括整个行星内部。
1.3 报道概要（Outline of the report）
除了这一简要的引言部分外，本报告共分为三个主要章节。在接下来的第2章中，我们将首先介绍贯穿后续讨论的整体方法论。该部分涵盖了一些基础但较为理论性的主题，包括气候网络（CN）方法、[[渗流理论]]、[[临界点]]分析、熵理论以及[[复杂性]]理论。读者将在这一章中找到对一个综合性理论框架的尝试性定义，该框架将涵盖后文将详细探讨的各种不同情境和[[系统]]。第3章全面回顾了相关应用案例，特别是那些已在[[气候系统]]、地球几何表面地貌以及地震[[系统]]中进行研究的应用。最后，第4章提出我们的总结性观点与展望性想法。
2.方法论（Methodology）
2.1 气候网络 (Climate network)
二十多年来，[[复杂网络]]范式已展现出其作为多功能工具的巨大潜力，用于探索来自物理学、生物学、社会科学、经济学及许多其他领域中的[[复杂系统]]的动态和结构特性[37,40,47–52]。在网络理论的背景下，[[复杂网络]]是一种具有非平凡拓扑特征的图，这些特征在简单网络（如规则晶格（图2a）或随机埃尔德什–雷尼（Erdős–Rényi，ER）图（图2b））中并不存在。[[复杂网络]]理论的一个新特点是它能够将拓扑特征与[[系统]]功能及动力学联系起来。[[复杂网络]]理论已成功应用于许多现实世界的[[系统]]，并揭示了其功能背后的基本机制。研究还发现，许多现实世界网络都是[[无标度网络]]（图2c）[38,53]。
近年来，网络理论的思想也被应用于气候科学中，以构建气候网络（Climate Networks，CN）[43,44,54]。在气候网络中，地理位置（或网格点）被视为网络中的节点，两个网格点之间记录（时间序列）的相似性（因果性）水平则表示连接及其强度。各种气候数据，如温度、气压、风速和降水，都可以用来构建网络。气候网络方法可以研究全球不同地点之间的相互关系，从而代表[[气候系统]]的整体行为，例如能量和物质如何从一个地点转移到另一个地点。这些网络已被成功用于分析、建模、理解和甚至预测各种气候现象[44–46,55–70]。图3展示了气候网络的一个可视化示例。
我们首先介绍用于描述网络拓扑结构的一些定义、符号和基本量，然后概述如何构建一个气候网络。
[图片]
图2. 基本研究模型网络的特征。（a）一个规则的二维方格晶格，是最高度均匀的网络。（b）一个埃尔德什–雷尼（Erdős–Rényi，ER）网络，其[[度分布]]为[[泊松分布]]，其度异质性由平均度 ⟨k⟩ 决定。（c）一个[[无标度]]（scale-free，SF）网络，其[[度分布]]服从[[幂律分布]]，因此具有很高的度异质性。图（d）、（e）和（f）分别显示了二维方格晶格、ER 网络和 SF 网络的[[度分布]]情况。
[图片]
图 3.考虑到地球表面[[顶点]]的空间嵌入，地表气温气候网络的可视化。
资料来源图目参考文献[71]
2.1.1 网络特征 (Network characteristics)
在本节中，我们将回顾用于描述和分析网络的基本特征和指标，其中大部分来自[[图论]][72]。[[图论]]是一个庞大的领域，包含许多分支，但我们在此仅介绍其中一小部分成果，重点介绍与[[复杂]]地球[[系统]]研究最相关的成果。网络，在数学文献中也称为图，是由边连接的[[顶点]]集合。[[顶点]]和边在计算机科学中也被称为节点和链接，在物理学中被称为站点和纽带，在社会学中被称为行动者和纽带[40]。在本综述中，我们将用 $$N$$ 表示[[顶点]]数，用 $$M$$ 表示边数，这也是数学和物理学文献中的常用符号。
[[邻接矩阵]]（The adjacency matrix）
我们将在本综述中研究的大多数网络，其任意一对[[顶点]]之间最多只有一条边，即不允许自边或自循环。在许多情况下，网络的一个简单表示方法是[[邻接矩阵]] $$A$$ ，其元素 $$A_{ij}$$ 如下:
$$A_{ij} =
\begin{cases}
1 & \text{if there is an edge between vertices } i \text{ and } j, \\
0 & \text{otherwise.}
\end{cases}
$$
我们应该注意到，在[[邻接矩阵]]中，对角矩阵元素全部为零。在某些情况下，将边表示为有强度、权重或值（通常是实数）是有用的。这种加权或加值网络可以通过赋予[[邻接矩阵]]元素等于相应连接权重的值来表示。有向网络或有向图，又称数字图，是指每条边都有一个方向，从一个[[顶点]]指向另一个[[顶点]]的网络。这种边本身称为有向边。在这种情况下，[[邻接矩阵]]通常不是对称的，变成
$$A_{ij} =
\begin{cases}
1 & \text{if there is an edge from } i \text{ to } j, \\
0 & \text{otherwise.}
\end{cases}$$
度数（Degree）
网络中[[顶点]]的度是指与之相连的边的数量。我们用$$k_{i}$$表示[[顶点]]$$i$$的度。对于一个有$$N$$个[[顶点]]的无向网络，度数可以用[[邻接矩阵]]（公式 (3) ）表示为
$$k_i = \sum_{j=1}^N A_{ij}.$$
边数 $$M$$等于所有[[顶点]]的度数之和除以 2，因此
$$M = \frac{1}{2} \sum_{i=1}^N k_i = \frac{1}{2} \sum_{ij} A_{ij}.$$
无向图中节点的平均度$$\langle k \rangle$$为 $$\langle k \rangle = \frac{1}{N} \sum_{i=1}^{N} k_i = \frac{2M}{N}.$$
在有向网络中，度的概念更为[[复杂]]。在有向网络中，每个[[顶点]]或节点都有两个度。入度$$k_i^{\mathrm{in}}$$ 是连接到节点的入边的数量，出度 $$k_j^{\mathrm{out}}$$是连接到节点的出边的数量。根据有向网络的[[邻接矩阵]]公式 (3)，它们可以写成：请记住，有向网络中的边数等于所有[[顶点]]上的边的内向端总数，或等同于边的外向端总数。
$$k_i^{\mathrm{in}} = \sum_{j=1}^{N} A_{ij}, \quad k_j^{\mathrm{out}} = \sum_{i=1}^{N} A_{ij}.$$
请记住，有向网络中的边数等于所有[[顶点]]上的边的内向端总数，或等同于边的外向端总数。
[[度分布]]（Degree distributions）
[[度分布]]是可以直接测量的网络最基本属性之一，或者说是具有 $$k$$ 个连接（度）的节点的分数$$P(k)$$ 。厄尔多斯-雷尼(Erdős–Rény)网络 [73] 的一个著名结果是，它的[[度分布]]遵循泊松系数,
$$P(k)=\frac{e^{-z}z^{k}}{k!},$$
其中$$z = \langle k \rangle $$是平均度数。如图 2e 所示，尽管边的位置是随机的，但典型的[[随机图]]是相当均匀的，最大数量的节点具有相同数量的边。
然而，对实际网络（如互联网 [74]、WWW [38]、电子邮件网络 [75]、[[新陈代谢]]网络 [76]、航空网络 [77]、[[神经元]]网络 [78] 等）的阶数分布的直接测量表明，泊松定律并不适用。但它们表现出[[近似]]幂律的[[度分布]]：
$$P(k)=C k^{-\lambda}$$
其中 , $$C$$ 是[[归一化]]系数。常数 $$\lambda$$ 被称为幂律的指数。数值范围$$ 2 \leq \lambda \leq 3 $$ 是典型值，但也有可能略微超出这个范围，偶尔也会观察到 [79]。具有幂律阶数分布的网络被称为[[无标度网络]]。确定[[无标度]]特性的最简单方法是在对数-对数图上如图观察[[度分布]]直方图，2f 所示，看是否有一条直线。关于[[无标度网络]]的演化，已经提出了几种模型，每种模型都可能导致不同的集合。第一个提议是[[巴拉巴西]]和阿尔伯特的优先附着模型，即所称的[[巴拉巴西]]-阿尔伯特模型[38]。该模型的几个变体已被提出，见参考文献[80]等。
[[聚类系数]]（Clustering coefficient）
网络中节点在很短的范围内聚集在一起的程度用[[聚类系数]]来衡量。聚类的定义与网络中三角形的数量有关。如果共享一个邻居的两个节点相互连接的概率很高，那么[[聚类系数]]就很高。最常见的[[聚类系数]]定义方法是：
$$C = \frac{(\text{number of triangles}) \times 3}{\text{(number of connected triples)}}
$$
这里的 "相连三角形 "指的是三个节点$$uvw$$ ，并带有边$$(u, v)$$和 $$(v,w)$$。分子中的 3 因子是因为在计算网络中的连接三元组时，每个三角形会被计算三次。我们还可以通过定义单个[[顶点]]的局部[[聚类系数]]：
$$C_i = \frac{\text{the number of triangles connected to vertex } i}{\text{the number of triples centered on vertex } i}$$
也就是说，要计算$$C_i$$，我们要遍历所有与$$i$$相邻的不同[[顶点]]对，计算其中相互连接的[[顶点]]对数，然后除以[[顶点]]对总数。$$C_i$$表示一对相邻[[顶点]]的平均概率的朋友是彼此的朋友。对于阶数为或的[[顶点]]，其分子和分母均为零，我们假设 $$C_i = 0$$ 。那么整个网络的[[聚类系数]] [37] 就是平均值$$ C = \frac{1}{N} \sum_{i} C_i $$。在两个情况下，聚类范围都是$$ 0 \leq C \leq 1$$ 。
子图（Subgraphs）
图 $$G_1$$由节点集合$$P_1$$和边集合 $$E_1$$ 组成, 即为图$$G = \{P, E\} $$ 的子图，如果$$P_1$$ 中的所有节点也是$$P$$ 的节点，并且$$E_1$$ 中的所有边也是$$E$$ 的边。子图最简单的例子是环、树和完全子图[81]。一个 $$k$$ 阶环是由 $$k$$ 条边组成的闭合回路，其中每两条连续的边（且仅有这两条边）有一个共同的节点。也就是说，在图形上，三角形是3阶环，而矩形是4阶环。环的平均度等于2，因为每个节点都有两条边。如图4a所示，树是一个连通的、无向的网络，不包含闭合回路。这里，通过“连通”我们指的是网络中的每个节点都可以通过网络中的某条[[路径]]从其他任何节点到达。河[[流网络]]是自然产生的具有有向连接的树的一个例子[82]。树最重要的性质是，由于它们没有闭合回路，因此任意一对节点之间只有一条[[路径]]。因此，树中的边数总是恰好为 $$k-1$$ 条边。$$k$$阶完全子图，也称为$$k-clique$$,包含$$k$$个节点和所有可能的 $$k(k-1)/2$$条边——换句话说，它们是完全连通的[见图4b]。
让我们考虑[[ER模型]]，其中我们从$$N$$ 个孤立的节点开始，然后以概率 $$p$$连接每对节点。更一般地，我们可以询问是否存在一个临界概率，该概率标志着由 $$k$$个节点和 $$l$$ 条边组成的任意子图的出现。可以直接回答这个问题的一些重要的特殊情况[81]是：（i）具有$$k$$阶树的阈值概率为 $$p_c(N) = cN^{-\frac{k}{k-1}} $$;（ii）具有$$k$$阶环的阈值概率为 $$p_c(N) = cN^{-1} $$;（iii）具有$$k$$阶完全子图的临界概率为 $$p_c(N) = cN^{-\frac{2}{k-1}} $$
通常，一个网络总是由许多分离的子图或组件组成，即内部连接的节点组，但与其他节点断开连接。在每个这样的组件中，任意两个节点之间都存在一条[[路径]]，但不同组件中的节点之间不存在[[路径]]。大小与整个网络成比例的网络组件, $$N$$ ，被称为巨型组件。
与组件类似，社群的概念也是[[复杂网络]]中最基本的属性之一 [83]。网络的节点可能会结合成紧密连接的群体，而在它们之间仍然存在链接，但连接较少。网络的单个节点可能属于多个社群，并且大多数实际网络由高度重叠的节点社群组成 [84]。由于社群结构在真实网络中非常常见，因此社群发现和检测对于更好地理解网络的功能至关重要。图 4c 显示了一个重叠的 k-团社群的示例。关于图中的社群检测的良好综述可以在参考文献 [85] 中找到。
网络模型 (Network models)
[[Erdős–Rényi模型]]：它可以通过以下两个经过充分研究的图集合来解释，$$G_{N,M}$$是具有$$N$$个[[顶点]]和$$M$$条边的所有图的集合；以及，$$G_{N,p}$$即由具有$$N$$个[[顶点]]的图组成的集合，其中每个可能的边以概率$$p$$实现/连接。如果$$M = \binom{N}{2} p $$，则已知这两个最初由Erdős和Rényi研究的族[73]是相似的。它们被称为Erdős–Rényi (ER)模型。这些描述与[[统计物理]]学中研究的微正则系综和正则系综非常相似[86]。[[ER模型]]一直是[[随机图]]领域的主要研究对象[81]，具有泊松[[度分布]]，见公式(7)。

[图片]
图 4. 子图概念的说明。(a) 树状网络，(b) 完全完成的网络，(c) k = 4 时的重叠 k-团社区的示例。来源：(c)：转载自参考文献 [84] 中的图。
Barabási–Albert模型：它基于关于[[网络演化]]的两个简单假设[38]。（i）增长：从少量节点开始，在每个时间步，添加一个具有$$m (⩽ m_0) $$条边的新的节点，该节点将连接到[[系统]]中已存在的个不同的节点。（ii）优先连接：这是模型的核心。在选择新节点将要连接的节点时，新节点将连接到节点的概率 $$\Pi $$取决于节点$$i$$的度$$k_i$$，使得$$\Pi(k_i) = \frac{k_i}{\sum_{j} k_j} $$。在这个过程中，经过$$t$$个时间步后，这将导致一个具有$$N = t+ m_0$$个节点和条边的网络。理论和数值结果表明，该网络模型演变为幂律[[度分布]]，见公式（8）。
[[Watts–Strogatz 模型]]: 1998年，Watts和Strogatz [37] 提出了一个单参数模型，该模型在规则格子和[[随机图]]之间进行插值。该模型背后的细节如下：(i) 起始状态：从一个具有 $$N$$个节点的环状格子开始，其中每个节点都连接到其最近的个邻居。为了始终拥有一个稀疏但连通的网络，考虑$$N \gg k \gg \ln(N) \gg 1$$ 。(ii) 随机化：以概率$$p$$ 随机重连格子的每条边，排除自连接和重复边。这个过程引入了$$pNK/2$$ 条长程边。该模型产生的网络特性是[[小世界]]性和高[[聚类系数]]。具体来说，[[小世界网络]]指的是特征[[路径]]长度 $$L$$ 与节点数量的对数成正比的网络，$$L ∝ log N$$。
2.1.2. 皮尔逊相关气候网络 (Pearson correlation climate network)
我们的[[气候系统]]由大量的非线性子[[系统]]组成，这些子[[系统]]在广泛的时间和空间尺度上具有相互的非线性相互作用和[[反馈]]回路。因此，从[[复杂网络]]的角度对地球[[气候系统]]进行建模，可以清晰地提供对演变中的[[气候系统]]潜在动力学的关键见解。如上所述，在[[复杂网络]]中，地球的地理区域被视为节点，而成对的气候变量时间序列之间相似性的双变量统计分析则代表了链接。
一般来说，CNs的构建和分析有五个步骤[46]，该过程如图5所示，改编自[87]。步骤 (i)：节点，CNs中的节点通常定义为经纬度空间网格中不同分辨率的位置。（ii）：气候变量，我们选择合适的气候时间序列进行分析，例如，地表气温、海面温度、降水、风等。通常还需要进行一些预处理。例如，为了避免季节性的强烈影响，我们通常会减去平均季节周期，并除以每个网格点时间序列的季节性标准差。（iii）：边，在此步骤中，我们计算统计相似性，以量化时间序列对之间的相互依赖性。每条边的强度都是基于相关性的。有很多方法可以量化时间序列的相互依赖性，这里我们提到按相关性度量划分的CNs类型。例如，Pearson相关气候网络，我们使用Pearson相关来量化时间序列之间的互相关；而事件[[同步]]气候网络使用事件[[同步]]方法；[[互信息]]气候网络则基于[[互信息]]。（iv）：构建，在此步骤中，我们构建CN，这通常涉及一些阈值标准，以仅选择具有统计意义的边。考虑到，例如，显著链接的值 $$\mathcal{W}_{ij}$$高于给定的阈值 $$\mathcal{W}_{c}$$，则[[邻接矩阵]]确定为
$$\mathcal{A}_{ij} = \mathcal{H}(\mathcal{W}_{ij} - \mathcal{W}_c)$$
其中$$\mathcal{H}$$是Heaviside函数。然后，我们通过使用各种网络特征来研究所获得的网路。最后，在步骤(v)：气候学解释中，本分析的结果将根据[[气候系统]]的动力过程（例如，大气环流、洋流、大量波等）进行解释。
[图片]
图5. 从气候时间序列构建气候网络的方法. 来源：转载自参考文献[87]中的图。

在下文中，我们将演示如何构建皮尔逊相关气候网络。假设气候变量是每日地表气温，可以来自观测、替代重建、再分析或模拟，这些数据收集于静态测量站，或在网格单元中提供。在网络的每个节点处，我们计算每日大气温度异常$$T_i(t)$$（实际温度值减去气候平均值，然后除以气候标准差），针对每个日历日。
为了获得节点对和之间连接权的时间演化，我们遵循[66]，并计算在整个时间跨度内的每个时间窗口$$t$$（如月或年）的时间延迟互[[相关函数]]，定义为
$$C_{ij}^{(t)}(-\tau) = \frac{\langle T_i^{(t)}(t)T_j^{(t)}(t - \tau)\rangle - \langle T_i^{(t)}(t)\rangle\langle T_j^{(t)}(t - \tau)\rangle}{\sqrt{\langle(T_i^{(t)}(t) - \langle T_i^{(t)}(t)\rangle)^2\rangle} \cdot \sqrt{\langle(T_j^{(t)}(t - \tau) - \langle T_j^{(t)}(t - \tau)\rangle)^2\rangle}},$$
和 and
$$C_{ij}^{(t)}(\tau) = \frac{\langle T_i^{(t)}(t - \tau)T_j^{(t)}(t)\rangle - \langle T_i^{(t)}(t - \tau)\rangle\langle T_j^{(t)}(t)\rangle}{\sqrt{\langle(T_i^{(t)}(t - \tau) - \langle T_i^{(t)}(t - \tau)\rangle)^2\rangle} \cdot \sqrt{\langle(T_j^{(t)}(t) - \langle T_j^{(t)}(t)\rangle)^2\rangle}},$$
[图片]
图 6. Pearson 相关气候网络中的典型加权有向链接。(a) 节点 i 位于西南大西洋，节点 j 位于南美大陆。(b) [2014,2018] 年期间的近地面日气温异常。(c) (b) 中所示时间序列之间的互[[相关函数]]。此链接的方向是从 i 到j ，权重为$$W_{ij}^+ = 5.71$$。
其中括号表示过去$$T$$天的平均值，根据
$$\langle f(t) \rangle = \frac{1}{T} \sum_{a=1}^{T} f(t - a).$$
这里，$$τ $$是时间滞后，范围是$$[0 ,τ_{max}]$$天。背景噪声水平的可靠估计，即的值，已在 [88,89] 中讨论。基于[[相关函数]]，公式。（12）和（13），节点 $$i$$和 $$j$$之间的加权有向链接在参考文献中定义。[59,61,64]。这是通过识别互[[相关函数]]的最高峰（或最低谷）的值来完成的，并将此峰（谷）的相应时间滞后表示为$$θ_{i,j}$$ 。$$θ_{i,j}$$的符号表示每个链接的方向；即，当时间滞后为正时( $$θ_{i,j}>0$$)，链接的方向是从$$j$$ 到 $$i$$[64]。正向和负向链接及其权重通过 $$C_{i,j}(τ)$$确定，并定义为
$$W_{ij}^+ = \frac{\max(C_{ij}(\tau)) - \text{mean}(C_{ij}(\tau))}{\text{std}(C_{ij}(\tau))},$$
$$W_{ij}^- = \frac{\min(C_{ij}(\tau)) - \text{mean}(C_{ij}(\tau))}{\text{std}(C_{ij}(\tau))},$$
其中，“max”和“min”是互[[相关函数]]的最大值和最小值，“mean”和“std”是平均值和标准差。典型的时间序列及其互[[相关函数]]如图6所示。为了演示，选择了两个节点，一个节点位于西南大西洋，一个节点位于南美大陆（图6a）。2014年至2018年期间的近地表日平均气温异常如图6b所示。时间序列之间的互[[相关函数]]如图6c所示，其中最大互[[相关函数]]的绝对值远大于噪声水平和最小值。由于$$θ_{i,j}=2>0$$，则链接的方向是从$$j$$到$$i$$。根据公式(15)，我们计算出其权重为$$W_{ij}^+ = 5.71$$。该值表示高于噪声水平5.71个标准差，即高度显著。
最后，可以通过在节点对之间建立连接来构建网络，这些连接的权重大于某个显著阈值。这种方法的优点是它克服了数据中强自相关值的问题[88]。
2.1.3. 事件[[同步]]气候网络 (Event synchronization climate network)
事件[[同步]]方法提供了一种从气候观测构建网络的替代方法：事件[[同步]]气候网络 (CN)。它最初由 Quian Quiroga 等人 [90] 提出，他们测量了[[同步]]性并推断了神经科学中信号之间的时间延迟。事件[[同步]]基于事件的相对时间，例如时间序列中的降雨，并由阈值的交叉或局部最大值或最小值等定义。例如，极端降雨事件被定义为降水量高于所有日子的第 99 个百分位数的日子。事件[[同步]]特别适合研究极端事件。[[同步]]程度由准同时发生的事件数量获得，延迟由一个时间序列（信号）中事件相对于另一个时间序列（信号）的优先顺序计算得出。
事件[[同步]]开始于从两个离散的单变量时间序列 $$X$$ 和 $$Y$$构建两个事件序列。如果$$0 \leq |t_l^x - t_m^y| < \tau_{lm}^{xy} $$ ，则在时间 $$t_{l}^x$$ 在 $$X$$发生的事件 $$l$$被认为与在时间 $$t_m^y$$在 $$Y$$发生的事件$$m$$ 在时间滞后 $$lag ± \tau_{lm}^{xy}$$内[[同步]]，其中
$$\tau_{lm}^{xy} = \min \left\{ t_{l+1}^x - t_l^x, t_l^x - t_{l-1}^x, t_{m+1}^y - t_m^y, t_m^y - t_{m-1}^y \right\} / 2.$$
这里,$$l=1, 2,...,e_x$$ 和$$m=1,2,...,e_y$$，并且 $$e_x$$和 $$e_y$$分别是 $$X$$ 和 $$Y$$中的事件数量。统计一个事件在 $$X$$ 中发生后不久在 $$Y$$ 中出现的次数,
$$c(x|y) = \sum_{l=1}^{e_x} \sum_{m=1}^{e_y} J_{xy}^{lm}$$
With
$$J_{xy}^{lm} = \begin{cases}
1, & \text{if } 0 < t_l^x - t_m^y \leq \tau_{lm}^{xy}, \\
1/2, & \text{if } t_l^x = t_m^y, \\
0, & \text{else},
\end{cases}$$
与公式 (18) 类似，我们可以定义。最后，对称和反对称的组合
$$Q_{xy} = \frac{c(y|x) + c(x|y)}{\sqrt{e_x e_y}}, \quad q_{xy} = \frac{c(y|x) - c(x|y)}{\sqrt{e_x e_y}},$$
分别用于测量事件的[[同步]]性和它们的延迟行为。它们被[[归一化]]到 $$0 \leq Q_{xy} \leq 1 \quad \text{和} \quad -1 \leq q_{xy} \leq 1. $$ 。应该注意的是，如果一个记录中几个极端事件非常接近，那么只考虑第一个。特别地，$$ Q_{xy}=1 $$当且仅当信号的事件完全[[同步]]。此外，如果 $$X$$ 中的事件总是先于 $$Y$$ 中的事件，那么我们得到 $$q_{xy} = 1$$
事件[[同步]]方法已被发现对脑电图信号[90]、神经生理信号[91]以及极端降雨事件模式[92–96]的研究很有用。
2.1.4. [[互信息]]气候网络
[[互信息]]方法也是量化时间序列之间相互依赖性和构建气候网络的常用工具之一。两个随机变量的[[互信息]]是衡量这两个变量之间相互依赖性的指标。[[互信息]]的概念与随机变量的熵密切相关[97]。设X和Y是一对随机变量，其[[值域]]为$$X ×Y$$ 。如果它们的联合分布为p(x, y)，并且它们相关的边际[[概率分布]]函数为p(x)和p(y)，那么[[互信息]]定义为
$$M_I = \sum_{x} \sum_{y} p(x, y) \log \left( \frac{p(x, y)}{p(x)p(y)} \right)$$
发生概率为零的状态将被忽略。
直观地说，$$M_I$$ 是衡量$$X$$ 和$$Y$$ 的联合分布中表达的内在依赖性相对于它们在独立假设下的相应联合分布的度量。因此，[[互信息]]衡量的是依赖性和非线性，事实上：当且仅当 $$X$$ 和 $$Y$$ 是独立的随机变量时，$$M_I=0$$，即$$p(x, y) = p(x)p(y)$$。此外，[[互信息]]是非负的、对称的，并且也可以通过时滞来计算 [98]。在获得每对节点的[[互信息]]系数（公式 21）后，我们可以构建一个[[互信息]]气候网络。研究表明，[[互信息]]气候网络可以很好地捕捉到大西洋年代际涛动中发生的海面温度（SST）异常的西向传播 [99]。
总而言之，在本章中，我们描述了不同的网络特征，并介绍了各种线性和非线性[[时间序列分析]]工具，这些工具可用于构建、定义和表征CN。线性和非线性方法包括Pearson相关、事件[[同步]]以及[[信息论]]度量，如熵和[[互信息]]。还有一些其他强大的工具，例如，谱分析、经验正交函数分析和符号序数分析，可用于重建CN [46]。

2.2 [[渗流理论]] (Percolation theory)
[[渗流]]最初用于描述流体在多孔材料中的运动和过滤[100]。Flory 和 Stockmayer 在聚合和溶胶-凝胶转变中也考虑了[[渗流]]的观点 [101]。
[图片]
图 7.512 512 二维方格上的键渗簇，p分别为 (a) 0.3、(b) 0.5 和 (c) 0.55。不同大小的簇具有不同的颜色。较大簇的颜色取决于其大小，从蓝色（小簇）到红色（无限簇）不等。[[渗流阈值]]为 p(c)= 0.5。
近年来，它已成为空间[[随机过程]]理论的基石，广泛应用于[[统计物理]][102-105]、[[相变]][106,107]、材料[108,109]、流行病学[110-113-121]、网络[30,38,40,114]、胶体[122,124,125,126,123]、半导体、交通、湍流以及地球[[系统]][33,65,67,127-130]等领域的各种问题。在研究[[复杂系统]]的结构、稳健性和功能方面，[[渗流理论]]也发挥着举足轻重的作用 [131]。
众所周知，在晶格和其他有序网络中 [106,107,132]，当维度大于 1 时，就会发生渗滤[[相变]]。渗滤过程是一个简单的模型，其中节点（位点）或边（键）被占用的概率为 $$p$$，未被占用的概率为 $$q=p-1$$。以规则晶格为例（见图 2a）。如果存在一条从一侧到另一侧的平行[[路径]]，且该[[路径]]只经过被占据的键和位点，那么该[[系统]]就被重新划分为渗滤[[系统]]。当存在这样一条[[路径]]时，跨越晶格的位点组分或位点簇被称为跨越簇或无限[[渗流]]簇。在低浓度 $$p$$ 下，位点要么是孤立的，要么是由最近邻的位点组成的小簇。如果两个位点通过一条最近邻位点[[路径]]相连，它们就属于同一个簇。另一方面，当 $$p$$ 值较大时，至少有一条[[路径]]存在于相对的两侧之间（见图 7）。渗滤[[相变]]发生在某个临界密度 p(c)，该密度取决于晶格的类型和维度。
对于许多[[复杂网络]]来说，边的概念并不存在。然而，渗滤理论的思想和工具仍然可以应用[51]。主要区别在于，渗滤的条件不再是存在跨簇，而是拥有一个包含 $$O(N)$$ 个节点的簇。如果存在这样的分量，我们称之为巨型分量，这在第 2.1 节中已经讨论过。事实上，巨型分量存在的条件也适用于网格网络，因此它可以作为比跨度属性更通用的条件。
[[渗流]]有两种类型，一种是位点[[渗流]]，即所有位点都有概率 $$p$$ 被占用，$$1-p$$ 。而在键[[渗流]]中，键被占用的概率为 $$p$$ ，超过 $$p(c)$$ 时，它们会形成一个巨大的连通点。在这篇综述中，我们将重点讨论[[渗流]]临界现象，即接近[[渗流阈值]] $$p(c)$$ 时，首次形成巨型分量或[[系统]]坍缩[133]。这些方面被称为临界现象，描述临界现象的基本理论是[[相变]]的缩放理论。
2.2.1. [[相变]] (Phase transition)
[[相变]]的概念通常用于描述热力学物理[[系统]]中物质的固态、液态和气态之间的转变，即有序相（如固态）在某个临界温度 $$T_c$$ 时转变为无序相（如液态）[26]。[[相变]]的另一个经典例子是磁性[[相变]]，用[[伊辛模型]]解释就是在低温、无任何外场的情况下出现自发磁化$$m>0$$ 。当温度升高时，自发磁化会减小，并在 $$T_c$$ 时消失。
实际上，渗滤是一种简单的几何[[相变]]，渗滤阈值 p(c)可以区分有限簇的相位（无序相）和无限簇的相位（有序相）。位点或键的占据概率 p 与热[[相变]]中的温度起着相同的作用。在[[统计物理]]学中，它们通常被称为控制参数。
[[渗流]]序参数 (Percolation order parameter)
[[渗流]]阶数参数 $$P_{\infty}$$定义为无限簇的相对大小，即属于无限簇的位点分数。对于$$p < p_c$$，只存在有限簇，因此 $$P_{\infty}=0$$；但对于 $$p > p_c$$，$$P_{\infty}$$类似于$$T_c$$以下的磁化，在 $$p_c$$附近表现为幂律
$$P_{\infty} \sim (p - p_c)^{\beta}.$$
[图片]
图8. 晶格和网络[[系统]]中的[[渗流]][[相变]]。[[渗流]]序参量P∞作为占据概率p的函数，对应于(a) pc = 0.5的二维键[[渗流]]，(b) pc ≈ 0.593的二维点[[渗流]]，以及(c) pc = 0.25的ER网络。这里ER网络的平均度⟨k⟩ = 4。

它描述了渗滤[[系统]]中的有序性，因此被称为序参数。我们在图 8 中分别展示了二维方格模型中键[[渗流]]和位点[[渗流]]以及 ER 网络中位点[[渗流]]的 P 随 p 变化的情况。值得注意的是，我们在图 8 中采用 p 作为控制参数，这使得 P 成为单调递增函数。当 p 逐渐减小（从 1 开始）时，可视为节点或链路的移除（或攻击），[[系统]]在移除 1 的一部分后崩溃p(c)。因此，1-p(c)可以衡量 [[系统]]的弹性，即[[系统]]离崩溃有多近。
团簇尺寸分布 (Cluster size distribution)
临界附近的有限分量分布遵循标度形式[106,107]，即距离坍缩有多近。
$$n_s \sim s^{-\tau} e^{-s/s_{\xi}}.$$
其中，s 代表分量大小，$$n_s$$代表分量大小为 s 的分量数量。$$s_{\xi} \sim |p - p_c|^{-\sigma}$$发散，分布尾部表现为临界指数为 σ 的幂律。
平均簇大小 (Average cluster size)
对于任何给定的站点，其属于[[规模]]为的聚类的概率为 sn(s)。让我们将 ρ(p) 定义为任何给定站点隶属于一个有限群集的概率
$$\rho(p) = \sum_{s=1}^{\infty} s n_s(p) = M_1(p),$$
即集群[[规模]]分布的第一矩。因此，对于任何给定有限群集的任何给定站点，该群集[[规模]]的概率$$w_s(p)$$ 为
$$w_s(p) = \frac{1}{\rho(p)} s n_s(p),$$
对于任意给定有限簇的任意位置，簇的平均大小$$\langle s(p) \rangle$$为
$$\langle s(p) \rangle = \sum_{s=1}^{\infty} s w_s(p) = \frac{1}{\rho(p)} \sum_{s=1}^{\infty} s^2 n_s(p) = \frac{M_2(p)}{M_1(p)}.$$
注意，平均大小$$\langle s(p) \rangle⟩$$，不包括无限簇，在[[临界点]]附近发散为：
$$\langle s \rangle \sim |p - p_c|^{-\gamma}, \quad (p \to p_c).$$
相关长度(Correlation length)
[[相关函数]] $$g(\mathbf{r})$$ 是指一个有限簇中占位点与位于$$ \mathbf{r}$$位点之间的位点属于同一簇的概率。通常，对于较大的$$ r \equiv |\mathbf{r}|$$时，存在一个指数截止点，即$$ g(\mathbf{r}) \sim e^{-r/\xi}$$，相关长度为 ξ 。相关性长度ξ定义为
$$\xi^2 = \frac{\sum_{\mathbf{r}} r^2 g(\mathbf{r})}{\sum_{\mathbf{r}} g(\mathbf{r})}.$$
ξ测量同一有限群组中两个站点之间的平均距离。当 $$p$$接近 $$p_c$$时，ξ 以下列方式增加
$$\xi \sim |p - p_c|^{-\nu}.$$
$$ P_{\infty}$$和$$\langle s \rangle$$类似于磁性[[系统]]中的磁化 m 和磁感应强度 χ。β、γ和 ν 称为临界指数，描述了渗滤[[相变]]的临界行为。
2.2.2. 结构特性 (Structural properties )
接下来，我们将简要介绍一些用于表征[[渗流]]簇结构特性的基本测量方法。更多详情，读者可参阅文献[106]。[106].
[[分形]]维度 (Fractal dimension)
[[分形]]概念由Mandelbrot [134] 引入物理世界，Stanley [135] 将其应用于渗滤，以描述渗滤阈值 $$p_c$$处的簇形状。无限簇在所有长度尺度上都是[[自相似]]的，可视为[[分形]]。[[分形]]维度$$d_f$$ 的定义是：在距离集群某点半径为 r 的球面内，集群的质量 M 平均随 r 的变化情况
$$M(r) \sim r^{d_f}.$$
当长度尺度小于相关长度 ξ 时，存在[[分形结构]]。当长度尺度大于 ξ 时，集群变得均匀。这可以概括为
$$M(r) \sim
\begin{cases}
r^{d_f}, & r \ll \xi \\
r^d, & r \gg \xi.
\end{cases}$$
巨型分量的相对大小$$P_{\infty}$$也可以表示为
$$P_{\infty} \sim \frac{r^{d_f}}{r^d} = \frac{\xi^{d_f}}{\xi^d}, \quad r < \xi.$$
渗滤簇的[[分形维数]]$$d_f$$与临界指数 β 和 ν 有关。将公式 (22) 和 (29) 代入公式 (32)，得到 $$d_f = d - \frac{\beta}{\nu}.$$
[[分形]]分析也被应用于[[复杂网络]]的研究 [136]。一般来说，计算给定[[系统]]的[[分形维数]]有两种基本方法，即使用盒计数法 [137] 或聚类增长法 [138]。(i) 方块计数法：设 $$N_B$$为线性大小为$$ l_B$$的方框数，该方框数需要涵盖对象，[[分形]]维度$$d_f$$由 $$N_B \sim l_B^{-d_f}$$给出。这意味着，在一个[[分形]]对象中，节点的平均数量$$\langle M_B(l_B) \rangle $$大小为$$l_B $$的方格内节点的平均数量为
$$\langle M_B(l_B) \rangle \sim l_B^{d_f}.$$
[[分形维数]] $$d_f$$可以通过幂律拟合得到。(ii) 聚类增长法：与公式 (30) 类似，[[分形]]维度 $$d_f$$可通过以下方法计算
$$\langle M_C \rangle \sim l^{d_f}.$$
其中，$$\langle M_C \rangle $$是集群的平均质量，定义为集群中线性大小 ℓ 内节点的平均数量。需要注意的是，上述方法很难直接应用于网络，因为网络一般不嵌入空间。为了测量网络的[[分形]]维度，人们通常会结合重正化的概念 [136]，即对每个化学大小 l(B)放置方框，直到覆盖整个网络。然后将每个方框替换为一个节点（重正化），如果未重正化的⟨(B) 和⟨(B) 之间至少有一个链接，则重正化的节点是相连的。盒之间的链接。重复这一过程，随着$$N_B \sim \ell_B^{-d_f}$$，盒子的数量$$N_B$$与$$\ell_B$$成比例。
图形维度 $$d_{\text{min}}$$和$$d_\ell$$(Graph dimensions $$d_{\text{min}}$$and$$d_\ell$$)
[[分形维数]] dmin被用来描述同一簇中两个任意位点之间最短[[路径]]的结构特性。假设 ℓ 是[[路径]]长度，通常称为 "化学距离"[139]，它与 r 的关系为
$$\ell \sim r^{d_{\min}},$$
而 ℓ 范围内的位点数量为
$$M(\ell) \sim \ell^{d_\ell},$$
其中 dℓ 通常称为 "图形维度 "或 "化学维度"。结合公式 (30)、(35) 和 (36)，我们可以得到 $$d_{\text{min}}$$,$$d_\ell$$和$$d_f, d_\ell = \frac{d_f}{d_{\text{min}}}$$。除了上述[[分形]]维度指数 $$d_{\text{min}}$$,$$d_\ell$$ 和$$d_f$$之外，还有一些其他指数，如骨架指数和红键指数，用于描述构成[[渗流]]簇的子结构的[[分形]]维度[26,107]。
2.2.3. 标度理论 (Scaling theory)
[[相变]]的缩放假说由肯尼斯-威尔逊（Kenneth G. Wilson）在上个世纪提出，并于 1982 年获得诺贝尔奖。渗滤簇的缩放理论将渗滤转变的临界指数与簇大小分布 $$n_s(p)$$联系起来。根据缩放假设， $$n_s(p)$$的关系式如下
$$n_s(p) \sim s^{-\tau} f\left( |p - p_c|^{1/\sigma} s \right),$$
其中，τ 是费雪指数[102]，而 $$f(x)$$ 是遵循$$f(x) = \exp(-x)$$之后的缩放函数，它会迅速衰减为零。相关长度 ξ 定义为所有簇中同一有限簇上被占据位点之间的均方根距离，见公式 (28)。对于有 s 个位点的簇，每个簇上所有位点对之间的均方根距离为
$$R_s^2 = \frac{2}{s(s-1)} \sum_{i=1}^{s} \sum_{j=1}^{i} (\mathbf{r}_i - \mathbf{r}_j)^2,$$
因此
$$\xi^2 = \frac{\sum_{s=1}^{\infty} R_s^2 s^2 n_s}{\sum_{s=1}^{\infty} s^2 n_s}.$$
在接近渗滤阈值$$p_c$$时， $$R_s \sim s^{1/d_f}$$，由上式可得
$$\xi^2 \sim \frac{\sum_{s=1}^{\infty} s^{2/d_f + 2 - \tau} f\left( |p - p_c|^{1/\sigma} s \right)}{\sum_{s=1}^{\infty} s^{2 - \tau} f\left( |p - p_c|^{1/\sigma} s \right)}.$$
为了计算式 (40) 中的和，我们将它们转化为积分，得到
$$\xi^2 \sim |p - p_c|^{-2/(d_f \sigma)},$$
由此得出 ν、σ 和 τ 之间的比例关系
$$\nu = \frac{1}{d_f \sigma} = \frac{\tau - 1}{d \sigma},$$
其中d是[[系统]]的维度。
考虑集群[[规模]]分布的第 k 个时刻
$$M_k = \sum_{s=1}^{\infty} s^k n_s(p) \sim \sum_{s=1}^{\infty} s^{k-\tau} f\left( \frac{s}{\xi^{d_f}} \right),$$
在临界区的比例为
$$M_k \sim \xi^{d_f (k - \tau + 1)} \sim |p - p_c|^{(\tau - 1 - k)/\sigma}.$$
接下来我们考虑渗滤阶次参数 $$P_\infty$$，其表现为 [106]，
$$P_{\infty} = 1 - \frac{1}{p} \sum_{s} s n_s \sim \sum_{s} s (n_s(p_c) - n_s(p)) \sim (p - p_c)^{(\tau - 2)/\sigma}.$$
结合公式 (22)，我们可以得出，
$$\beta = \frac{\tau - 2}{\sigma}.$$
同样，对于 k= 2，我们得到关系式 $$M_k \sim |p - p_c|^{(3-\tau)/\sigma}$$，得出
$$\gamma = \frac{\tau - 3}{\sigma}.$$
因此，临界指数并不是相互独立的，而是满足两组缩放和超缩放关系。公式 (42)、(46) 和 (47) 可以轻松表示缩放关系。
2.2.4. 普遍间隙缩放 (Universal gap scaling )
渗滤的一个有趣特性是普遍性，这是[[相变]][[临界点]]或临近[[相变]][[临界点]]行为的基本原则。因此，临界指数只取决于[[系统]]的维度，与[[系统]]的微观相互作用细节无关。如上一节所述，[[系统]]的行为由一组临界指数来表征。如果两个[[系统]]的临界指数值相同，则它们属于同一普遍性类别。普遍性是[[相变]]的一般特征。[[相变]]也是以控制有限尺寸行为的缩放函数为特征[140]。有限尺寸缩放概念为研究渗滤转变提供了一个通用工具。
[图片]
图9. 爆炸[[渗流]]模型示意图。(A) 在每一步中，随机选择两个[[顶点]]并通过一条边连接。(B) 在乘积规则（PR）过程的每个时间步，两条边e1和e2竞争加入。被选中的边是使它合并的组件大小乘积最小的边。这里e1被接受，e2被拒绝。(C) 在大小为N = 512,000的[[系统]]上，ER、Bohman Frieze（BF）和PR过程的典型演化。来源：图取自参考文献[116]。

通常，在随机占据或破坏过程中，晶格或网络会发生连续的渗滤[[相变]] [81]。近年来，非[[随机过程]]而是竞争性链路添加过程的爆炸性、混合性和真正不连续的渗滤引起了广泛关注 [116,141-152]。爆炸性渗滤模型的描述如图 9 所示。
没有在临界[[相变]]点进行有限大小缩放分析，而是考虑了[[渗流]]特性的有限大小缩放分析和阶次参数中最大间隙大小的临界缩放。例如，Fan 等人[153] 发展了一种新的普遍间隙缩放理论，并提出了六个间隙临界指数来描述渗滤[[相变]]的普遍性。通过使用有限大小的缩放函数，这一理论框架可应用于各种晶格和网络模型中的连续和不连续渗滤。
间隙指数 (Gap exponents)
从一个空晶格或具有$$N$$个孤立节点的网络[[系统]]开始，随机或通过竞争性加链过程逐个添加键或链路。控制参数用$$r$$表示，它代表链接密度 $$r = \frac{T}{M}$$，$$M$$是最大的边数。阶次参数是最大群组的大小，由整个[[系统]]中最大的连接组件给出。在[[系统]]演化过程中，我们会记录最大群集$$S(T)$$在时间步长$$T$$的大小，并计算其最大的一步间隙 $$\[[Del]]ta$$
$$\[[Del]]ta \equiv \frac{1}{N} \max_{T} [S(T + 1) - S(T)].$$
跃迁最大的步长定义为 $$T_c$$，其相对过渡点定义为$$r_c$$。此外，[[渗流]]强度定义为 $$T_c$$处最大连通分量的大小，即$$S_c = S(T_c)$$.。
[[渗流]]等临界现象表现出[[无标度]]行为，可通过标度关系量化，详见前几节的讨论。同样，作为$$L$$ 的函数，平均值$$\bar{\[[Del]]ta}$$ , $$\bar{r}_c$$ 和$$\bar{S}_c$$ 预计会呈现如下幂律关系[153]，
$$\bar{\[[Del]]ta}(L) \sim L^{-\beta_1},$$
$$\bar{r}_c(L) - r_c(\infty) \sim L^{-1/\nu_1},
$$
$$\bar{S}_c(L) \sim L^{d_f 1},$$
其中，β1、ν1和$$d_{f1}$$是描述[[渗流]]普遍等级的三个临界指数，是热力学无穷大极限下的[[渗流阈值]], $$L \rightarrow \infty$$。它们对应的波动
$$\delta \[[Del]]ta^{(i)} = \[[Del]]ta^{(i)}(L) - \bar{\[[Del]]ta}(L)$$, $$\delta r_c^{(i)} = r_c^{(i)}(L) - \bar{r}_c(L)$$和$$\delta S_c^{(i)} = S_c^{(i)}(L) - \bar{S}_c(L)$$ ,也被研究
$$\chi_{\[[Del]]ta} = \sqrt{\frac{1}{D} \sum_{i=1}^{D} [\delta \[[Del]]ta^{(i)}]^2},$$
$$\chi_{r_c} = \sqrt{\frac{1}{D} \sum_{i=1}^{D} [\delta r_c^{(i)}]^2},$$
$$\chi_{S_c} = \sqrt{\frac{1}{D} \sum_{i=1}^{D} [\delta S_c^{(i)}]^2},$$
其中 D 是独立实现的次数。我们预计 $$\chi_{\[[Del]]ta}$$, $$\chi r_c$$ and $$χSc\chi S_c$$ 随 L 的代数衰减，其缩放关系如下
$$\chi_{\[[Del]]ta} \sim L^{-\beta_2},$$
$$\chi_{r_c} \sim L^{-1/\nu_2},$$
$$\chi_{S_c} \sim L^{df_2}$$
其中，β(2)、ν(2)和 $$df_2$$构成另一组临界指数。新的六个间隙临界指数表征了[[渗流]]的普遍性。需要注意的是，它们与标准[[渗流]]指数高度相关，并非完全独立。间隙指数与标准[[渗流]]临界指数之间的关系推导如下[153]
$$\beta_1 = \beta_2 = \beta / v$$
$$\nu_2 = \nu$$
$$df_1 = df_2 = df.$$
特别是，β(1)的值可以暗示[[渗流]]的阶次。也就是说，β(1)=0 表示[[渗流]]是一阶转变；而 0< β1< 1 的模型是连续的[120,147]。我们在图 10 中给出了二维方形晶格上键[[渗流]]的数值结果，我们得到了 $$\beta_1 = \beta_2 \approx 0.104$$,$$ \frac{1}{v_1} = \frac{1}{v_2} \approx \frac{1}{v}$$, and$$ r_c(\infty) \approx 0.5$$, 以及 $$df_1 = df_2 \approx 1.895$$。所有结果都与已知理论值一致[103]。
2.3. [[临界点]]分析 (Tipping points analysis)
引爆点（Tipping point）的概念，即“小事情能产生大影响”，最早由Malcolm Gladwell在他的著作[154]中提出。它的意思是，在特定的时间点，一个小的变化可能会在一个[[复杂]]的[[系统]]中导致巨大的和长期的后果。引爆点通常与分岔[155]相关联。引爆点被定义为“临界质量的时刻，阈值，沸点”。许多[[复杂系统]]都会经历行为的突然转变，通常被称为引爆点或临界转变，范围从气候[23,156–161]、生态[[系统]][158,162–167]到社会科学[168,169]、金融市场[170,171]、医学[172–174]和事件宏观经济主体模型[175]。
[[复杂系统]]可能在[[临界点]]处突然从一种状态转变为另一种状态，这可能意味着威胁和突发且不可逆转的变化的风险正在增加 [161]。因此，理解理论机制并预测临界现象具有重要的实际意义。尽管在这些[[临界点]]发生之前对其进行预测是出了名的困难。理论提出了通用预警信号（EWS）的存在，这些信号可能表明，对于广泛的[[系统]]而言，临界阈值是否正在逼近 [176–178]。EWS是目前预测临界跃迁的最强大工具之一。[[临界点]]分析技术提供了一个重要的工具，用于预测、检测和预报[[复杂]][[动力系统]]中的[[临界点]]。该方法通常结合时间序列中的监测记忆，包括动态导出的滞后1自相关 [179]、去趋势波动分析（DFA）的幂律标度指数 [180,181]，以及基于功率谱的分析 [182]。
2.3.1. 基础概念 (Basic concepts)
[[临界点]]的定义：遵循参考文献[177]，[[临界点]]是指[[系统]]未来状态发生质变所对应的[[临界点]]。确定一个控制参数为(ρ)，对于该参数存在一个阈值$$(\rho_c)$$，当存在一个小的扰动$$(\delta \rho > 0)$$ 时，经过一段时间(T > 0)后，会导致[[系统]]的一个关键特征(F )发生质变(Fˆ)。实际变化(∆F )定义为：
$$\left| \[[Del]]ta F \right| = \left| F(\rho \geq \rho_c + \delta \rho | T) - F(\rho_c | T) \right| \geq \hat{F} > 0$$
在这个定义中，临界阈值$$(\rho_c)$$被认为是引爆点，超过这个点就会发生质变。请注意，这种变化可能立即发生，甚至在原因发生很久之后才发生。
[[临界点]]的类型：[[复杂系统]]中临界现象背后的理论机制可以有效地分为三个不同的类别：由分岔引起的、由噪声引起的和由速率决定的[[临界点]][183]。
分岔意味着，当驱动力$$\rho$$ 发生微小变化并超过临界阈值时，会导致[[系统]]状态发生巨大的非线性变化，从而满足公式 (59) 中[[临界点]]的定义。给定一个概念化的开放[[系统]] [184]，
$$\frac{\mathrm{d}F}{\mathrm{d}t} = f(F, \rho(t)),$$
[图片]
图10.二维方形晶格[[系统]]中键[[渗流]]的能隙临界指数。(a)和(b)，$$\bar{\[[Del]]ta}(L)$$和$$\chi_{\[[Del]]ta}$$随$$L$$的变化关系。(c)和(d)，[[渗流阈值]]$$\bar{r}_{c}(L)$$和$$\chi_{\[[Del]]ta}$$与$$L$$的双对数图。(e)和(f)，$$\bar{S}_{c}(L)$$和$$\chi_{s_c}$$与$$L$$的幂律关系。(c)中的插图展示了$$r_{c}(\infty) -\bar{r}_{c}(L)随$$$$L$$变化的双对数图。
来源：转载自参考文献[153]的图。
其中ρ(t) 通常是一个随时间变化的输入。当ρ为常数时我们将式（60）称为具有参数λ的参数化[[系统]]并将其稳定解称为准静态[[吸引子]]。如果ρ(t)通过了[[系统]]的某个分岔点（在该点处，一个准静态[[吸引子]]失去稳定性），那么显然可以直观地看出，由于改变该参数，[[系统]]可能会直接“发生倾斜”。我们在图11中给出了两个由分岔引起的“倾斜点”的例子。其中[[系统]]的状态由（61）和（62）描述。
$$\frac{\mathrm{d}F}{\mathrm{d}t} = \rho + F - F^3,$$
And
$$\frac{\mathrm{d}F}{\mathrm{d}t} = \rho F - F^3,$$
分别对应于图 11 a 和 b。一般来说，当一个[[系统]]接近分岔[[临界点]]（其当前状态变得不稳定）时，会导致向另一种[[吸引子]]的转变。
[图片]
噪声诱导的[[复杂系统]]现有稳定状态之间的跃迁（图11c），也可以被视为[[临界点]][185]，然而，它们不符合强制变化的定义，如公式（59）所示。噪声诱导的[[临界点]]意味着噪声波动导致[[系统]]偏离准静态[[吸引子]]的邻域。例如，Pikovsky和Kurths研究了噪声驱动的可激发Fitz Hugh–Nagumo[[系统]]中的相干共振，并揭示了相干共振效应可以用激活时间和偏移时间的不同噪声依赖性来解释[186]。末次冰期期间的突发变暖事件，即丹斯伽德-奥施格事件，提供了一个噪声诱导[[临界点]]的真实世界例子[185]。此外，Sutera [187]研究了一个简单的全球零维能量平衡模型中，具有冰反照率和温室[[反馈]]的噪声诱导[[临界点]][188]。他们的结果表明，‘温暖’和‘寒冷’气候状态之间随机转变的特征时间为100,000年，这与观测数据非常吻合。噪声诱导的[[临界点]]方法也已成功用于模拟其他气候模型和现象的变化[189]。与接近分岔相反，研究发现噪声诱导的跃迁从根本上是不可预测的，并且没有显示任何EWS [177]。
速率依赖性，其中[[系统]]无法跟踪连续变化的准静态[[吸引子]]。为了更好地理解速率依赖性倾覆现象，Ashwin等人引入了一个具有倾覆半径的线性模型，并讨论了速率依赖性倾覆出现的三种例子[183]。给定一个[[系统]]，对于 $$F \in_{\epsilon} \mathbb{R}^{n}$$，且参数ρ具有一个准静态平衡$$\tilde{F}(\rho)$$，倾覆半径为R > 0，那么对于某个初始值$$F_{0}$$ ，满足 $$\left| F_{0} - \tilde{F}(\rho) \right| < R$$，F随时间的演化由下式给出
$$\frac{\mathrm{d}F}{\mathrm{d}t} = M(F - \tilde{F}(\rho)) \quad \text{for} \quad |F - \tilde{F}(\rho)| < R,$$
其中M是一个固定的稳定线性算子$$\text{(i.e. } |e^{Mt}| \rightarrow 0 \text{ as } t \rightarrow \infty\text{)}$$。$$\rho(t)$$是一个随时间变化的参数，表示子[[系统]]的输入。倾覆半径可能与非线性问题的吸引盆边界有关。该模型仅显示速率相关的倾覆——因为M是固定的，并且[[系统]]中没有分岔，也没有噪声存在。特别地，该模型可以推广到包括随ρ(t)变化的M和R。方程(63)可以用初始条件 $$F(0) = F_{0}$$求解，得到
$$F(t) = e^{Mt} F_0 + \int_{s=0}^{t} e^{M(t-s)} M \tilde{F}(\rho(s)) \, ds.$$
[图片]
图12. 地球[[气候系统]]中的一些基本主要[[临界点]]要素。
来源：参考文献[161]中的图。

需要注意的是，在零纬全局能量平衡模型中也观察到了与速率相关的[[临界点]]现象[188]。除了上述三种类型的失稳之外，还可能存在另一种类型，即可逆失稳点。在图11d中，我们展示了一个可逆失稳点的示例，在该示例中，一个单稳态[[系统]]表现出非线性但可逆的变化[159]。
2.3.2. 地球[[气候系统]]中的临界要素
在参考文献[23]中，Lenton等人引入了“临界要素”一词，用以描述地球[[系统]]中可能超过[[临界点]]的大尺度组成部分，并评估了它们的[[临界点]]所在。他们强调，人类活动可能在推动地球[[系统]]组成部分超过其[[临界点]]方面发挥至关重要的作用，从而对我们的社会和[[自然系统]]产生深远的影响。他们还定义了具有以下条件的与政策相关的临界要素子集：（i）第一个条件在公式（59）中描述；（ii）第二个条件与“政治时间范围”TP相关；（iii）第三个条件被称为“伦理时间范围”TE;；（iv）最后一个条件是，应该在影响方面相应地定义质变。根据上述四个条件，我们在此回顾[[气候系统]]中一些与政策相关的潜在临界要素，如图12所示。对于每个临界要素，我们考虑其（1）[[系统]]特征F（参见公式（59））或变化方向，（2）控制参数ρ，（3）临界值ρc，（4）转变时间尺度T以及（5）关键影响。
北极海冰。对于夏季和冬季的北极海冰，覆盖面积都在减少，并且大片区域的冰层已显著变薄[190]。在IPCC使用海洋-大气GCMs的预测中，其中一半将在本世纪的九月份变为无冰状态[191]，极地温度为−9 ◦C [192]。面积范围的减少可以被视为[[系统]]的特征，用F表示；局部气温∆Tair和海洋热输送可以被视为控制参数；文献中仍然缺乏临界阈值的数值；过渡时间尺度约为T ∼ 10年；北极海冰的减少会放大变暖并引起生态[[系统]]变化。
格陵兰冰盖。据报道，格陵兰冰盖正以加速的速度融化[193]，如果超过某个特定阈值，可能会在数千年内使海平面额外升高7米。冰体积的减少可以被看作是[[系统]]的一个特征F；局部气温 $$\[[Del]]ta T_{\text{air}}$$ 是一个控制参数；临界值 $$\rho_{c} \sim 3^{\circ}$$ ;；过渡时间尺度T可达约300年。
西南极冰盖。根据IPCC报告[193]，西南极洲阿蒙森海湾可能已经超过了一个[[临界点]]，即“接地线”（冰、海洋和基岩相遇的地方）正在不可逆转地后退。这也可能破坏西南极冰盖的其余部分[194]。利用古气候学数据发现，西南极冰盖的这种大范围崩塌在过去曾多次发生。与格陵兰冰盖类似，冰体积的减少可以被认为是F；局部气温 $$\[[Del]]ta T_{\text{air}}$$ 是控制参数；临界值$$\rho_{c} \sim 5 - 8^{\circ}$$ ; 过渡时间尺度T可达300年。西南极冰盖的崩塌可能导致海平面在几个世纪到几千年的时间尺度上上升约5米[23]。
大西洋环流。大西洋经向翻转环流（AMOC）是地球主要的海洋环流[[系统]]之一，它重新分配热量并影响气候。研究提供了证据，表明自20世纪中叶以来，AMOC减弱了约3 ± 1斯维德鲁普（约15％）[(3)] [160]。AMOC也被认为是地球[[系统]]的主要临界要素之一[23,156]。大西洋环流的翻转可以被认为是F；额外的北大西洋淡水输入是控制参数；临界值 $$\rho_{c} \sim 0.1 - 0.5 \, \text{\textdegree Sv}$$；过渡时间尺度T可达100年。AMOC的减缓与热带降雨带的南移有关，它通过影响热带辐合带，以及南大洋和南极洲的变暖来实现[17]。
厄尔尼诺-南方涛动（ENSO）。ENSO是热带太平洋异常暖和冷条件之间的年际波动，是地球上最具影响力的海气耦合气候现象之一[195–197]。据报道，极端厄尔尼诺事件在21世纪的发生频率可能会增加[198]。参考文献[199]讨论了全球变暖背景下ENSO的[[临界点]]行为。ENSO的振幅被认为是F；纬向平均温跃层深度、赤道东太平洋温跃层锐度以及年循环强度是控制参数；过渡时间尺度T可达100年。较强的厄尔尼诺现象通常会导致更多的极端事件（如洪水、干旱或严重风暴），这对经济、社会、农业和生态[[系统]]产生严重影响。
印度夏季风。印度夏季风降雨（ISMR）对印度的农业产出和经济有着决定性的影响。季风季节（从六月到九月）可能带来干旱和粮食短缺，或者严重的洪水，取决于降雨量的多少。陆地到海洋的压力梯度驱动着季风环流，这与水分平流[[反馈]]有关[200]。自1953年以来，ISMR呈现下降趋势[201]。据报道，在一些合理的土地利用、温室气体和气溶胶强迫的年代际尺度情景下，印度夏季风在对应于“活跃”和“弱”季风阶段的两个亚稳态状态之间切换[23]。因此，印度夏季风也可以被视为一个临界要素。特别地，ISMR被认为是F；印度上空的行星反照率是控制参数；临界值 $$\rho_{c} = 0.5 \, \text{SV}$$；过渡时间尺度T是1年。
亚马逊雨林。热带森林在全球碳循环中起着至关重要的作用[202]，并且是全球已知物种一半以上的家园[203]。自 1990 年代以来，森林砍伐和气候变化正在破坏热带森林的稳定，每年的森林砍伐率约为 0.5%，近年来这一比例大幅增加[204]。一项经验性研究表明，观测到的热带森林破碎化现象接近于美洲、非洲和亚洲-澳大利亚这三个大陆的[[临界点]][205]。特别是，我们关注亚马逊雨林，因为它是世界上最大的雨林，也是十分之一已知物种的家园[161]。如果森林接近[[临界点]]，亚马逊的枯竭可能会释放 90 吉吨的二氧化碳。因此，找到亚马逊雨林的[[临界点]]对于我们保持在排放预算范围内至关重要。这里，亚马逊雨林被视为F；降水和旱季长度是控制参数；临界值ρc = 1, 100 毫米/年；其过渡时间尺度T约为 50 年。
除了上述七个临界要素外，[[气候系统]]中还存在一些潜在的与政策相关的临界要素，例如，撒哈拉/萨赫勒和西非季风、北方森林、南极底层水、苔原、永久冻土、海洋甲烷水合物、海洋缺氧和北极臭氧。感兴趣的读者可以在参考文献[23]中找到它们。强有力的证据表明，在过去十年中，“[[临界点]]正在发生”的说法越来越多。多米诺骨牌效应也被提出’’ [161]。
2.3.3. [[临界点]]的早期预警
如上所述，许多[[复杂]]的[[动力系统]]，特别是[[气候系统]]，可能存在[[临界点]]，并暗示着不希望发生的崩溃风险。尽管在达到这些[[临界点]]之前对其进行预测是一项巨大的挑战，但通用EWS的存在为预测此类关键转变提供了有用的指标[176,178]。因此，如果能够识别出[[临界点]]的早期预警，那么它将有助于更广泛的社会、科学家和政策制定者采取早期行动，以减少与[[系统]]崩溃相关的损害。因此，大量的研究致力于检测和预测这些关键转变，通常会利用EWS。在这篇综述中，我们将重点介绍用于预测、检测和预报[[动力系统]]中关键转变的[[临界点]]分析技术。
[[临界点]]附近的临界减速
‘‘临界减速’’现象已被认为是[[动力系统]]是否接近临界阈值的指标[206]。例如，这发生在折叠分岔处（图11），通常与[[临界点]]相关联。这表明[[系统]]从小扰动中恢复的速度变慢，并且这种缓慢可以从小扰动中“记忆”的增加来推断。例如，图13表明，临界减速是一个指标，表明[[系统]]已经失去了弹性，并且可能更容易被推入另一种状态（如滞后1自相关所反映的那样）[178]。

[图片]

为了阐明临界慢化现象、自相关性增加和方差增加之间的关系，这里我们展示一个简单的例子，揭示其潜在机制。我们考虑一个简单的一阶自回归模型（式65），
$$x_{n+1} - \bar{x} = e^{\lambda \[[Del]]ta t} (x_n - \bar{x}) + \sigma \varepsilon_n$$
$$y_{n+1} = e^{\lambda \[[Del]]ta t} y_n + \sigma \varepsilon_n,$$
其中 $$\bar{x}$$ 是模型的稳定均衡，$$\[[Del]]ta t$$是周期， $$\lambda$$ 是恢复速度。这里 $$y_{n}$$是状态变量 x 偏离均衡的偏差，$$\varepsilon_{n}$$是从标准正态分布中获得的随机数，$$\sigma$$ 是标准差。如果$$\lambda$$ 和 $$\[[Del]]ta t$$独立于$$y_{n}$$，则方程 (65) 可以写成式（66）：
$$y_{n+1} = \alpha y_n + \sigma \varepsilon_n.$$
$$y_{n+1} = c + \alpha y_{n} + \sigma \varepsilon_{n}$$ is
对于白噪声，滞后 1 自相关系数 α ≡ eλ∆t 为零；对于红噪声，则接近于 1。一阶自回归过程 yn+1 = c + αyn + σ εn 的期望值为式（67）所示
让我们考虑c = 0，那么期望值等于零，方差为（如式68所示）
$$\text{Var}(y_{n+1}) = \mathbb{E}(y_n^2) - \mu^2 = \frac{\sigma^2}{1 - \alpha^2}.$$
当[[系统]]接近[[临界点]]时，返回平衡的速度会降低。这意味着λ趋于零，而α趋于一。根据公式(68)，方差趋于无穷大。总而言之，临界慢化导致滞后1自相关(α)的增加以及由此产生的波动模式（方差）的增加。
减缓变化速度会导致内在变化率降低，因此[[系统]]状态变得更像其过去的状态，即自相关性增加。由此产生的“记忆”增加可以通过[[系统]]频谱等多种方式进行测量。
自[[相关函数]]。滞后1阶自[[相关函数]]（ACF(1)）指标是为即将发生的突变事件提供预警信号的一种简单方法。例如，Held和Kleinen已经表明，在温盐环流模型中，自相关性在分岔附近会增加[179]；Dakos等人发现，在过去的数据中，自相关性在八个著名的气候转变之前会增加[157]。
时间序列中两个数值之间的相关系数被称为自相关系数（ACF）。例如，在自回归模型中，时间序列的自相关系数yn（见式66）可表示为：Corr(yn, yn−s), s = 1, 2, . . . , s表示时间间隔，也被称为滞后值。特别的，滞后1的自相关系数是相隔一个时间步长的数值之间的相关性。更一般的说，滞后s的自相关系数是相隔s个时间步长的数值之间的相关性。
$$C(s) \sim s^{-\gamma},$$
ACF的缩放指数 γ是自[[相关函数]]随滞后量s增大而呈现的幂律衰减特性[207]。我们将其表示为C(s)，时间序列滞后量s下的自相关值，那么这种缩放关系，对于长距离相关性而言，可定义为$$C(s) \sim s^{-\gamma},$$值的注意的是，对于短距离相关性的记录，C(s)会呈指数衰减，并且只有自[[相关函数]]（1）能够表明数据的变异性接近[[临界点]]
去趋势波动分析。减速会导致记忆量增加，这一现象也可以通过去趋势波动分析（DFA）来测量[180]。有关详细方法，请参阅[180]。DFA常用于检测长程相关性或包括DNA系列、心率、地震以及气候记录等多种时间序列的持久性[208]。如果时间序列具有长程相关性，波动函数 $$F(n)$$将按幂律关系$$F(n) \sim n^{\alpha}$$增加。其中n是窗口大小，α是DFA缩放指数。这里， $$F(n) = \sqrt{\frac{1}{n} \sum_{t=1}^{n} (X_t - Y_t^z)^2}$$是时间序列xi的累积和或“轮廓”，Ytz是拟合多项式，z代表DFA的（多项式）阶数。DFA指数α计算为F(n)与n的log-log图的线性拟合斜率。研究发现，时间范围10 ≤ n ≤ 100内的DFA指数对[[动力系统]]的变化很敏感，这与ACF(1) [181]相似。
功率谱。最近，Prettyman等人引入了一种基于功率谱（PS）衰减率的新型尺度指标[214]。PS分析将时间序列中的变化量分解为不同的频率。当[[系统]]接近临界跃迁时，它倾向于表现出频谱变红，即在低频率下具有更高的变化[215]。PS标度指数β通过估计功率谱S(f)的斜率来计算，该功率谱来自标度关系
$$S(f) \sim f^{-\beta}.$$
从分析角度来看，这三个标度指数具有线性关系： $$\alpha = \frac{1 + \beta}{2} = 1 - \frac{\gamma}{2}$$ 。据报道，PS指标是一种有用的技术，其行为与相关的ACF(1)和DFA指标类似。此外，它还显示出为真实的地球物理[[系统]]（热带气旋）提供预警信号的迹象，而ACF(1)指标则失效 [214]。
除了从扰动中恢复较慢之外，自相关和记忆增加[参见公式(67)]，方差增加[以标准差衡量，参见公式(68)]是临界转变接近时临界减速的另一个可能指标。例如，Carpenter和Brock已经表明，在一个湖泊模型的分岔附近，方差会增加[216]。
跃迁前的闪烁现象。另一个值得注意的早期预警信号（EWS）是[[系统]]在临界跃迁附近于两个稳定状态之间来回振荡。这种振荡被称为闪烁现象，并在湖泊富营养化[217]和营养级联[218]模型中被观察到。
偏度和峰度。除了上述在灾难性分支点之前出现的早期预警信号外，在接近关键转变时还会观察到另外两个先兆，他们被视为早期预警信号，即状态分布的偏度和峰度的变化[219-221].偏度表示分布的不对称性——负偏度表示向右聚集，正偏度则表示相反的情况。偏度是分布围绕均值的标准化第三阶矩（如式72所示）。
$$\gamma = \frac{\frac{1}{n} \sum_{i=1}^{n} (y_i - \mu)^3}{\left[ \frac{1}{n} \sum_{i=1}^{n} (y_i - \mu)^2 \right]^{3/2}}.$$
类似地，峰度是衡量分布“峰态”的指标——正峰度表示峰值高于正态分布的峰值，而负峰度表示峰值低于正态分布的峰值。峰度是围绕分布均值的标准化四阶矩，估计如式73所示。
$$\kappa = \frac{\frac{1}{n} \sum_{t=1}^{n} (z_t - \mu)^4}{\left( \sqrt{\frac{1}{n} \sum_{t=1}^{n} (z_t - \mu)^2} \right)^2}.$$
2.3.4. 真实[[系统]]中跃迁的先兆
在上一节中，我们首先强调了临界转变之前可能在非平衡动力学中发生的[[临界点]]的理论背景。然而，在真实[[复杂系统]]中检测预警信号（EWS）仍然是一个巨大的挑战，例如气候、社会和生态[[系统]]。开发基于这些通用属性的可靠预测[[系统]]可以增强我们应对[[系统]]性故障的能力，并指导我们设计更具弹性的[[系统]]。
我们将简要回顾不同真实[[系统]]中转型的新兴先兆，包括气候、生态[[系统]]、医学和金融。当地球[[系统]]被迫跨越阈值进入新的气候状态时，就会发生突变的气候变化[222]。大[[规模]]、突发性和广泛性的气候变化包括石炭纪雨林崩溃[223]、新仙女木事件[224]、温室-冰室过渡[225]、丹斯伽德-奥施格事件、海因里希事件和古新世-始新世极热事件[226]。所有这些快速的气候变化都可以解释为临界转型[176]。例如，自相关性的显著增加被认为是八个著名的气候转型的先兆[157]。人们发现，闪烁现象早于新仙女木寒冷期的突然结束，这也可以被视为一种先兆[227]。
在生态学中，[[临界点]]分析也已成为研究的主要焦点。例如，在被过度捕捞的鱼类种群的失稳中发现了一种早期预警信号，过度捕捞导致鱼类种群波动增加[228]。早期预警信号的出现已在湖泊和海洋[[系统]]中得到证实[229,230]。在生理学中，癫痫发作和哮喘发作中发现了突变[174]。例如，闪烁可能发生在癫痫发作之前。在金融领域，市场动态可能包含指示突变的信息。例如，交易波动性增加可能发生在主要冲击之前[231]。有关真实[[系统]]中转变的其他先兆，读者可参考参考文献[176]。
2.4. 熵与[[复杂性]]
2.4.1. 引言
熵是[[统计力学]]中一个重要的概念。它是描述由较小组成部分构成的[[系统]]状态的一个特征量，已被用作[[复杂性]]的一般度量，具有广泛的应用。在经典热力学中，熵与不可逆过程中的能量损失相关，由鲁道夫·克劳修斯在19世纪50年代初提出。热力学熵S源自固定温度 $$T$$ 下的热流 $$\delta Q$$,
$$S = \int \frac{\delta Q}{T}.$$
需要注意的是，[[系统]]的熵只有在其处于热力学平衡状态时才有定义。[[统计力学]]中熵的定义是由路德维希·[[玻尔兹曼]]在19世纪70年代通过分析[[系统]]微观组件的统计行为提出的：
$$S = k_B \ln \Omega.$$
其中，S是宏观态的熵，$$k_B$$是[[玻尔兹曼]]常数， $$\Omega$$ 代表产生该宏观态的所有可能微观态的总数。从[[信息论]]的角度来看，[[克劳德·香农]]提出了非常通用的信息熵概念，它是[[信息论]]的基本基石，用于描述类似的信息损失[232]。信息熵是衡量接收前缺失信息多少的度量。信息熵的定义为：
$$S = -k_S \sum_{i} p_i \log p_i,$$
其中$$k_S = \frac{1}{\log(2)} $$（单位为比特），$$p_i$$是每个状态的概率。在量子[[统计力学]]中，熵的概念由[[约翰·冯·诺依曼]]（[[John von Neumann]]）提出，通常被称为“[[冯·诺依曼]]熵”。对于一个由密度矩阵 $$\rho$$ 描述的量子力学[[系统]]，[[冯·诺依曼]]熵为：
$$S = -k_B \operatorname{Tr}(\rho \log \rho),
$$
其中 $$\operatorname{Tr}
$$ 表示迹算子.此外，还存在许多其他类型的熵，如[[吉布斯]]熵、残余熵、[[近似]]熵、西奈-柯尔莫哥洛夫熵、样本熵、多尺度熵等。熵已被证明在许多现实世界[[系统]]中有用，包括DNA序列分析[233]、宇宙学和天体物理学[234-236]、经济学[237,238]以及[[气候系统]][239-241]等领域。每种熵定义对某些[[系统]]效果更好，但对其他[[系统]]可能失效。我们将在下文中讨论熵具有三种相互关联的解释，作为衡量（i）不可逆变化；（ii）无序性；（iii）不确定性的量度。
2.4.2. 不可逆的熵
不可逆性的概念是理解熵的核心。一个不可逆的过程通常被称为不可逆过程。这个概念源于热力学。有研究表明，所有[[复杂]]的动态自然过程都是不可逆的[242]。对于一个经历不可逆过程的孤立[[系统]]，熵永不减少。这就是著名的[[热力学第二定律]]。
[图片]
为了更好地理解熵在不可逆过程中的行为，我们考虑卡诺热机和相应的卡诺循环。如图14a所示，给定一个带有压力P（外部）的活塞，以及两个热库，一个处于高温$$T_H$$，另一个处于低温$$T_C$$ ，活塞内部装有某种物质（单原子理想气体）。在一个卡诺循环中，热量 $$Q_H$$从高温热库流出，热量 $$Q_c$$ 流入低温热库，从而产生净功 $$W = Q_H - Q_c$$。卡诺设想了一个完全可逆的热机，卡诺循环通过以下四个步骤使活塞内外移动（见图14b，卡诺循环P–V图）。（1）（i→ii）：气体连接到高温热库，活塞在变化的压力和固定温度 TH 下向外移动。在这此步骤中，热量$$Q_H$$流入活塞。（2）（ii→iii）：活塞在变化的压力P下膨胀。（3）（iii→iv）：膨胀后的气体然后连接到低温热库，并在固定温度 $$T_C$$下被压缩。在此步骤中，热量$$Q_c$$流出。（4）（iv→i）：活塞被压缩并回到初始状态。在此步骤中，没有热传递。
活塞所做的净功W是图14b中P－V环线（积分）内的面积：
$$W = \int_{\text{cycle}} P \, dV = \text{Area inside PV Loop.}$$
根据理想气体定律：
$$PV = N k_B T$$
其中N是粒子数，活塞内理想气体的总能量由能量均分定理给出：
$$E = \frac{3}{2} N k_B T = \frac{3}{2} PV,$$
其中E代表动能。在第一步中，我们得到：
$$Q_H = E_{ii} - E_i + W_{i,ii} = \int_{i}^{ii} P \, dV = \int_{i}^{ii} \frac{N k_B T_H}{V} \, dV = N k_B T_H \log \left( \frac{V_{ii}}{V_i} \right).$$
类似地，对于第三步，我们有
$$Q_C = N k_B T_C \log \left( \frac{V_{iv}}{V_{iii}} \right).$$
对于其他两个步骤，没有热量流动，基于$$dE = -P dV = -\frac{N k_B T}{V} dV = \frac{3}{2} N k_B dT.$$我们有：
$$\int_{ii}^{iii} \frac{dV}{V} = \log \left( \frac{V_{iii}}{V_{ii}} \right) = \int_{ii}^{iii} -\frac{3}{2} \frac{dT}{T} = -\frac{3}{2} \log \left( \frac{T_C}{T_H} \right).$$
上式给出$$V_{iii} / V_{ii} = \left( \frac{T_H}{T_C} \right)^{3/2}$$和$$V_{iv} / V_i = \left( \frac{T_H}{T_C} \right)^{3/2}.$$因此$$V_{iii} / V_{ii} = V_{iv} / V_i$$，从而
$$\frac{V_{iii}}{V_{iv}} = \frac{V_{ii}}{V_i}.$$
将式（84）代入热流方程（81）和（81），我们得到卡诺的基本结果：
$$\frac{Q_H}{T_H} = \frac{Q_C}{T_C}.$$
我们定义在固定温度T下的热流 $$\[[Del]]ta E = Q$$。则熵变$$\[[Del]]ta S$$为:
$$\[[Del]]ta S = \frac{Q}{T}.$$
注意，上式等同于式（74）。这意味着对于可逆卡诺热机，从高温热库流出的熵 $$Q_{\mathrm{H}} / T_{\mathrm{H}}$$等于从活塞流出的熵 $$Q_{\mathrm{c}} / T_{\mathrm{c}}$$，即没有熵的产生或消失。然而，对于任何不可逆的实际热机，熵都会增加。
2.4.3. 熵的无序性
传统上，熵的另一种解释是描述[[系统]]的无序性或随机性的度量。在热力学中，混合熵是当两种或更多不同类型的粒子混合而没有化学反应时熵的增加。考虑N个理想气体分子被分隔在一个具有两个相等体积V的容器中。总的混合熵 $$S_{\mathrm{un}}$$ 为[29]:
$$S_{\mathrm{un}} = 2k_B \log \left[ V^{N/2} / (N/2)! \right].$$
这里我们假设两种分离的理想气体具有相同的质量和相同的总能量。移除气体之间的隔板，让它们混合。然后混合熵$$S_{\mathrm{m}}$$ 变为：
$$S_{\mathrm{m}} = 2k_B \log \left[ (2V)^{N/2} / (N/2)! \right].$$
根据式（87）和（88），我们得到增加的熵,
$$\[[Del]]ta S = S_{\mathrm{m}} - S_{\mathrm{un}} = Nk_B \left[ \log(2V) - \log V \right] = Nk_B \log 2.$$
上式意味着在混合过程中，每个分子的熵将增加 $$k_B$$log 2 。这是因为温度和压力相等，移除容器的隔板不涉及任何热传递，因此气体的混合（例如通过扩散）总是导致熵的增加。混合是自发的！初始分离的气体扩散导致[[熵增]]加。这个过程增加了分子的随机分布。因此，提出熵与[[复杂性]]（无序性）之间存在关系是合理的。
2.4.4. 熵的不确定性
熵的第三种解释是将其视为对[[复杂系统]]不确定性或未知度的度量。这种解释更为普遍，并且与信息和记忆密切相关。在这种解释中，熵并非一个固有属性，而是代表我们对[[系统]]的认知。
接下来，我们将聚焦于非平衡熵和信息熵来阐明释熵如何被解释为不确定性。[[热力学第二定律]]指出，孤立[[系统]]的熵永不减少，并且当且仅当所有过程都是可逆时，熵才保持不变。我们感兴趣的是如何定义[[非平衡系统]]的熵。通常，对于[[非平衡系统]]和平衡[[系统]]，我们都使用[[概率分布]]ρ来定义一个状态系综。给定离散状态集的[[概率分布]]，熵定义为
$$S_{\mathrm{discrete}} = -k_B \langle \log p_i \rangle = -k_B \sum_{i} p_i \log p_i,$$
其中 $$p_i$$是状态i的概率。在连续分布的情况下，熵变为
$$S_{\mathrm{continuum}} = -k_B \langle \log \rho \rangle = -k_B \int \rho \log \rho.$$
我们考虑一个微正则系综，其中 $$\rho_{\mathrm{equil}} = 1 / (\Omega(E) \delta E)$$，非平衡熵偏离了平衡熵（公式（75）），其熵为
$$S_{\mathrm{micro}} = -k_B \log \rho_{\mathrm{equil}} = k_B \log (\Omega(E) \delta E)$$
$$= k_B \log (\Omega(E)) + k_B \log (\delta E).$$
对于量子[[系统]]，非平衡熵可以通过密度矩阵 $$\rho$$来描述，如公式（77）所示。对于非热力学[[系统]]，温度变量不存在。因此，我们不需要使用[[玻尔兹曼]]常数 $$k_B$$，而是使用常数 $$k_S = 1 / \log(2)$$。那么公式（76）变为:
$$S_S = - \sum_{i} p_i \log_2 p_i,$$
这里熵的单位是比特。这被称为信息熵，由[[香农]][232]引入。信息熵表示一个可能的消息或图像的系综，在通信技术（消息传递）和计算机科学（数据压缩）中具有重要意义。注意，非平衡[[香农]]熵满足以下性质：（1）在概率相等时达到最大值；（2）不受零概率额外状态的影响；（3）对于条件概率会发生变化。更多细节，读者可参阅参考文献[29]。
2.4.5. [[近似]]熵、样本熵以及[[系统]]样本熵
接下来，我们将重点介绍几种熵，包括[[近似]]熵（ApEn）、样本熵（SampEn）和[[系统]]样本熵（SysSampEn），这些熵是为量化非线序列的[[复杂性]]而开发的。
$$[[近似]]熵 (ApEn)$$
[[近似]]熵（ApEn）由Pincus于1991年提出[243]，其灵感源自精确的规律性统计、柯尔莫哥洛夫 - 西奈（KS）熵[244]和$$K_2$$ 熵[245]。它被用作量化时间序列数据规律性的指标，尤其适用于相对较短且有噪声的数据集。[[近似]]熵在多个领域有着广泛的应用，从医学数据（如心率[243]）到金融[[系统]][246]、心理学[247]和人因工程[248]等。
[[近似]]熵$$ApEn$$的定义：给定一个时间序列数据$$u(1), u(2), \ldots, u(N)$$。有N个时间上等距的原始数据。它构成了一个由x(1)到x(N - m + 1)的向量序列，其中x(i) = [u(i)，…，u(i + m - 1)]。这里，m是一个表示数据长度的整数。将向量x(i)和x(j)之间的嵌入距离d[x(i), x(j)] [249]定义为它们各自标量分量的最大差值。然后使用x(1)，x(2)，…，x(N - m + 1)，对于每个i ≤ N - m + 1，构造C_i^m(r) = （满足d[x(i), x(j)] ≤ r的j ≤ N - m + 1的数量）/ (N - m + 1)。这里，
$$d[x(i), x(j)] = \max_{k=1,2,\ldots,m} \left( |u(i + k - 1) - u(j + k - 1)| \right),$$
其中 r 是一个指定滤波水平的正实数。基于 $$C_i^m(r)$$，$$\text{ApEn}$$ 定义为
$$\Phi^m(r) = (N - m + 1)^{-1} \sum_{i=1}^{N-m+1} \log C_i^m(r).$$
对于固定的m和r，式(95)变为
$$\text{ApEn}(m, r) = \lim_{N \to \infty} \left[ \Phi^m(r) - \Phi^{m+1}(r) \right].$$
特别地，给定N个数据点，统计公式得以实现
$$\text{ApEn}(m, r, N) = \Phi^m(r) - \Phi^{m+1}(r).$$
需要注意的是，一种类似的熵，称为$$\text{Eckmann-Ruelle (E-R)}$$熵[244]，已被定义为，
$$\text{E-R entropy} = \lim_{r \to 0} \lim_{m \to \infty} \lim_{N \to \infty} \left[ \Phi^m(r) - \Phi^{m+1}(r) \right].$$
尽管$$\text{ApEn}(m, r)$$的算法与E-R熵非常相似，但它并非旨在作为E-R熵的[[近似]]值。与K-S、E-R和$$K_2$$熵相比， $$\text{ApEn}(m, r)$$具有以下优点[250]：(i)受噪声影响较小；(ii)对离群值具有[[鲁棒性]]；(iii)计算需求较低，且置信度良好；(iv)对于随机、含噪声的确定性和复合过程， $$\text{ApEn}(m, r)$$是有限的；(v) $$\text{ApEn}(m, r)$$的增加直观上对应着过程[[复杂]]度的增加。 $$\text{ApEn}(m, r)$$已被应用于对精神疾病（如精神分裂症[251]、癫痫[252]和成瘾[253]）的脑电图（EEG）进行分类。
$$样本熵 $$
受[[近似]]熵（ApEn）概念的启发，Richman和Moorman开发了样本熵（SampEn），用于评估生理时间序列信号的[[复杂性]]，诊断疾病状态[254]。样本熵（SampEn）是对[[近似]]熵（ApEn）的改进，但具有三个优点：（i）在广泛的操作条件下，样本熵（SampEn）统计量比[[近似]]熵（ApEn）统计量更符合具有已知概率特征的随机数理论；（ii）保持相对一致性；（iii）对于极短的记录长度存在残余偏差。
\text{SampEn}的定义：类似于\text{ApEn}的定义：给定一个包含N个点的时间序列，\{ u(j) : 1 \leq j \leq N \}构成了N - m + 1个\text{向量}\mathbf{x}_m(i)，其中\{ i | 1 \leq i \leq N - m + 1 \}。这里\mathbf{x}_m(i) = \{ u(i + k) : 0 \leq k \leq m - 1 \}是从u(i)到u(i + m - 1)的m个数据点组成的向量。两个向量之间的距离为d[X(i), X(j)] = \max\{ |u(i + k) - u(j + k)| : 0 \leq k \leq m - 1 \}，即它们对应标量分量的最大差值。设Bi为\mathbf{x}_m(j)中与\mathbf{x}_m(i)距离在r以内的向量数量，设Ai为\mathbf{x}_{m+1}(j)中与\mathbf{x}_{m+1}(i)距离在r以内的向量数量。这里r表示接受[[匹配]]的容差。将容差设为r \times SD（数据集的均方差）比较方便。则样本熵定义为：
$$\text{SampEn} = -\log \frac{A}{B}.$$
显然，A 始终小于或等于 B。因此，\text{SampEn} 始终为零或正数。\text{SampEn} 值越小，表明数据集中的[[自相似]]性越高或噪声越少 [254]。请注意，每次计算时参数 N、m 和 r 必须固定。
$$[[系统]]样本熵$$
上述熵的一个局限性在于，它只能应用于单变量或双变量时间序列（交叉[[近似]]熵）[254]。对于具有多变量时间序列和时空结构的[[复杂系统]]，孟等人提出了所谓的 $$\text{SysSampEn}$$ ，并将其应用于[[气候系统]]研究。基于 $$\text{SysSampEn}$$ ，他们能够测量由温度异常时间序列组成的[[系统]]的[[复杂性]]（无序性），并以1年的预测期高精度预测厄尔尼诺事件的强度[241]。
$$\text{SysSampEn}$$的定义：给定N个相互依赖的时间序列
$$\chi_{\alpha}(t) \ (\alpha = 1, 2, \ldots, N; \ t = 1, 2, \ldots, l)$$
长度为l的组成[[系统]]的：

[图片]
图15. [[系统]]样本熵与厄尔尼诺强度的相关性。
来源：转载自参考文献[241]的图
1.我们选择长度为m < l的子记录k，从每个第q个数据点开始，即从t = k × q + 1 = 0 × q + 1、1 × q + 1、2 × q + 1、…开始，只要k × q + m ≤ l。因此，一个特定的子序列表示为X_{\alpha}^{k}(m, q) = \{ x_{\alpha}(k × q + 1), x_{\alpha}(k × q + 2), …, x_{\alpha}(k × q + m) \}。然后，我们从每个时间序列中选择n个子序列，并从[[系统]]中构造一组N × n个模板向量，即\Theta(m, q, n) = \{ X_{\alpha}^{k}(m, q) : 0 ≤ k ≤ n - 1, 1 ≤ \alpha ≤ N \}。我们假设，如果两个向量的欧几里得距离d(X_{\alpha}^{i}(m, q), X_{\beta}^{j}(m, q)) < \gamma × \max\{\sigma_{\alpha}, \sigma_{\beta}\}（如果\alpha = \beta，则i ≠ j），则它们是接近（相似）的，其中\sigma_{\alpha}和\sigma_{\beta}分别是时间序列x_{\alpha}(t)和x_{\beta}(t)的标准差。\gamma定义了相似性准则，是一个非零常数。
2.为了研究在m个数据点处相近的两个时间序列在接下来的p个数据点处仍然相近的概率，我们类似地通过选择长度为m + p的子记录来构造另一个集合$\Theta(m + p, q, n)$。为了使长度为m的模板向量数量等于长度为m + p的模板向量数量，我们选择$n \leq \frac{l - m - p}{q} + 1$。为了减少参数[[自由度]]并节省计算时间，我们取$p = q$，则$n \leq \frac{l - m}{p}$。我们假设，如果$d(X_{\alpha}^{i}(m + p, q), X_{\beta}^{j}(m + p, q)) < \gamma \times \max\{\sigma_{\alpha}, \sigma_{\beta}\}$（如果$\alpha = \beta$，则$i \neq j$），那么来自集合$\Theta(m + p, q, n)$的两个模板向量是相近的。
3.[[系统]]的\text{SysSampEn}定义为
$$\text{SysSampEn}\left(N, m, p, l_{\text{eff}}, \gamma\right) = -\log\left(\frac{A}{B}\right),$$(100)
其中A是来自\Theta(m + p, q, n)的近向量对的数量，B是来自集合\text{set }\Theta(m, q, n)的近向量对的数量，l_{\text{eff}}(n) = n * p + m是用于计算\text{SysSampEn}的天数。
请注意，当N = 1、p = 1且$l_{\text{eff}} = l$时，\text{SysSampEn.}等同于经典的\text{SampEn} [254]。由于只有某些特定的参数值组合才能相当准确地估计[[系统]]的[[复杂性]]，因此必须确定合适的参数值。为了实现这一点，Meng等人引入了两个测试 [241]：\text{空间异步性测试}和\text{时间无序性测试}。针对由Niño 3.4区域近地表空气或海表温度异常时间序列组成的[[气候系统]]计算了\text{SysSampEn.}。研究发现，厄尔尼诺强度与前一个自然年的\text{SysSampEn.}值之间存在很强的正相关性（图15A、B）。图15C展示了准确度水平的计算，这有助于选择有效的参数组合。
此外，为揭示\text{SysSampEn.}的数学意义，图16展示了[[逻辑映射]]，作为应用\text{SysSampEn.}估计[[系统]][[复杂]]度并将其与李雅普诺夫指数进行比较的示例。研究发现，\text{SysSampEn.}的较高（较低）值与较高（较低）的李雅普诺夫指数密切相关，这表明\text{SysSampEn.}能够很好地捕捉[[系统]]的[[复杂]]度。
[图片]
图16. SysSampEn的一个[[逻辑映射]]示例，该示例能准确估计[[系统]][[复杂]]度，即SysSampEn值越高，表明[[系统]][[复杂]]度越高。对于每个[[系统]]，从逻辑方程xn+1 = µxn(1 - xn)生成10个时间序列，其中µ取值相同，µ ∈ [2.5, 4]，但初始条件x0不同，x0 ∈ [0.0001, 0.0002]。
来源：转载自参考文献[241]的图

3.应用
3.1. [[气候系统]]
地球[[气候系统]]是一个高度[[复杂]]和相互作用的[[系统]]，正如世界气象组织（WMO）的全球大气研究计划（GARP）在1975年所定义的，它由五个主要组成部分构成：大气、水圈、冰冻圈、陆地表面和生物圈。1992年，联合国气候变化框架公约（FCCC）将[[气候系统]]定义为“大气、水圈、生物圈和地圈及其相互作用的总和”。图17显示了[[气候系统]]最重要组成部分及其潜在变化的示意图。大气是环绕固体行星的气体包层，为地球表面的大多数动物生命提供氧气。它是最不稳定和快速变化的组成部分。目前，大气主要由氮气（78.1%）和氧气（20.9%）组成。还有一些微量气体引起了人们对地球未来的极大关注，包括二氧化碳（CO2）、甲烷（CH4）和臭氧（O3）。它们被称为温室气体（GHGs），与水蒸气一起，为地球提供温室效应。它们的作用是保持地球温暖，但又不会太热。水圈是行星上的水，包括海洋、海、河流、湖泊和地下水。冰冻圈是地球表面水以固体形式存在的部分，包括陆地冰（包括冰架和冰川）、雪和海冰。它通过其高反照率对[[气候系统]]产生重大影响。冰盖体积的变化被认为是海平面上升的主要因素之一。陆地表面，即“固体”地球，形成了大陆、海盆、山脉等的分布。它影响着短波辐射向长波辐射的转化、地球表面的反射率、尘埃的储集层、陆地表面的动量和能量传递。生物圈是地球上所有生物的总和，包括陆地地块的有机覆盖物（植被、土壤）和海洋生物。它在不同储层之间碳的交换中起着至关重要的作用，例如大气中CO2的浓度，以及其他气体的平衡[255]。各组成部分之间存在着大量的相互作用，通过交换质量、热量和动量。例如，海洋-大气相互作用是一个强耦合[[系统]]，通过蒸发等方式交换水蒸气和热量。每个[[气候系统]]组成部分都在相当广泛的特征时间和空间尺度上运行。请注意，[[气候系统]]本身通常被认为是更广泛的地球[[系统]]的一部分[2]。
气候科学分析中的一个基本因素是气候数据，它提供了关于地球生态[[系统]]变化的信息，并为决策者提供了关于气候危机及其影响的可靠知识基础。一般来说，有两种数据收集方法来收集定量和定性的气候数据（也在第1.1节中简要讨论）：观测（仪器观测、替代指标和再分析）和气候模型模拟。[[气候系统]]的观测数据基于直接测量和来自卫星、雷达和其他平台的遥感。第一个气象站建立在欧洲和北美洲。仪器时代的全球尺度观测始于19世纪中期，用于测量温度和其他气候变量。自1950年以来，观测网络的增加和质量，以及支持数据收集和存储的技术迅速发展。古气候重建将一些替代指标记录追溯到数百年至数百万年前，包括珊瑚记录[10,256]，过去几千年的树轮记录[13]，以及石笋δ18O时间序列[12]，中地中海沉积物[11]和冰芯记录[257]。
[图片]
图 17. 全球尺度上[[气候系统]]最重要组成部分和相关过程的示意图. 来源：该图来自 IPCC 第四次评估报告 (AR4) [255]。© 2007 IPCC。经许可转载。
气候研究需要在长时间间隔内具有一致空间分辨率和准确性的数据。为了满足这一目标，一些数值天气预报中心已经开始生成所谓的再分析资料，这些资料是通过精细的数据同化技术获得的，该技术有效地结合了观测数据和数值数据。例如，欧洲中期天气预报中心(ECMWF) [258] 提供了以下再分析数据集：ERA5、ERA-Interim、CERASAT、CERA-20C、ERA-20CM、ERA-40、ERA-20C等等。(4) 美国国家环境预报中心(NCEP)和国家大气研究中心(NCAR)合作产生了NCEP-NCAR再分析I/II、20世纪再分析和北美区域再分析(NARR)5 [259]。JRA-25和JRA-55再分析6由日本气象厅(JMA)制作 [260,261]。请注意，这些再分析数据中的大多数气候变量或场与观测数据非常吻合，例如北半球大陆上的地势高度场。然而，在南半球或那些观测较差的区域，一些场仍然存在显著差异 [262–266]。更多细节总结于参考文献[267]中。
气候模型被认为是研究[[气候系统]]对各种强迫响应、在季节到年代的时间尺度上进行气候预测以及对未来一个世纪及更长时间的气候进行预测的主要工具。气候模型可以定义为基于物理、化学和生物学原理的[[气候系统]]的数学表示。气候研究中使用的模型范围从简单的能量平衡模型到[[复杂]]的地球[[系统]]模型（ESM），即使在高性能计算机上使用，这些模型也可能速度慢且成本高昂，并且结果可能只是[[近似]]值[17]。在此，我们简要概述气候模型的基本类型：（i）能量平衡模型提出了[[气候系统]]动力学的高度简化版本。它们是零维或一维模型，将地表温度描述为地球能量平衡的函数，其中维数（从零到三）是指模型域中使用的独立空间变量的数量。例如，全球平均地表温度$$\bar{T}_s$$ 可以表示为：
$$c \frac{d\bar{T}_s}{dt} = R_i - R_o$$
$$R_i = \mu Q_0 \left(1 - \alpha(\bar{T}_s)\right)$$
$$R_o = \sigma m(\bar{T}_s) (\bar{T}_s)^4.$$
此处，$$R_i$$ 和 $$R_o$$分别是吸收的短波辐射和射出的长波辐射。C是地球[[系统]]的热容量，单位为$$J\mathrm{m}^{-2}\ \mathrm{K}^{-1}$$ ，α是行星反照率; m是大气透过率，一个小于 1 的数字，代表地球大气层的温室效应;$$\sigma≈ 5.67 × 10−8 W \mathrm{m}^{-2}\ \mathrm{K}^{-4}$$是斯特凡-[[玻尔兹曼]]常数， µ是一个太阳辐射参数，对于当前条件等于 1。（ii）大气-海洋环流模式（AOGCMs）是 IPCC 第四次评估报告（AR）中评估的最全面的标准[[气候模式]]。它们被用于理解[[气候系统]]物理组成部分（例如，大气、海洋、陆地和海冰）的动力学，并用于基于未来温室气体和气溶胶强迫进行预测。（iii）地球[[系统]]模式（ESMs）是当前最先进的模式，它们通过包含各种[[生物地球化学循环]]的表示（例如碳循环、硫循环或臭氧）来扩展 AOGCM。这些模型提供了最全面的工具，可用于模拟[[气候系统]]对外部强迫的过去和未来响应，其中生物地球化学[[反馈]]起着重要作用。（iv）区域[[气候模式]] RCM 是有限区域模型，其气候过程的表示与 AOGCM 的大气和陆地表面组成部分中的气候过程相当，尽管通常在没有交互式海洋和海冰的情况下运行。RCM 通常用于动态“降尺度”某些特定地理区域的全球模型模拟，以提供更详细的信息。此外，基于 GCM，开发了中等[[复杂性]]模型，以研究长时间尺度或以降低的计算成本研究地球[[系统]] [20]。一个特殊的应用是在次季节尺度上实现对极端事件的可靠预测
总而言之，气候模型提供了[[气候系统]]变率和长期变化的全面视图。然而，评估和预测极端气候事件，如厄尔尼诺事件和极端降雨，仍然面临挑战。这些困难主要是由于内在的罕见和破坏性的自然条件造成的。它们受到天气模式、变率模式、热力学过程和各种[[反馈]]的强烈影响。在下文中，我们将深入而详细地描述第2节中介绍的[[统计物理]]方法如何应用于研究和（或）预测各种气候现象，如厄尔尼诺-南方涛动（ENSO）、印度夏季风（ISM）、极端降雨、大气环流和大西洋经向翻转环流（AMOC）。
3.1.1. 厄尔尼诺-南方涛动
El Niño-Southern振荡(ENSO) 是年际尺度上最重要的气候现象之一。如2.3节所述，ENSO可被视为地球[[系统]]的一个引爆因素。El Niño是ENSO的温暖阶段，与赤道太平洋中部和中东部的温暖海水带有关，有时被称为El Niño盆地[44]。ENSO的冷期被称为La Niña，东太平洋的海温低于平均水平。ENSO通过影响包括美洲、印度和周边热带大陆在内的全球温度和降水，对地球生态[[系统]]和人类社会产生了重大影响[268-270]。这些远程影响被称为远距连接[271]。
El Niño的定义:在本文中，我们使用海洋Niño指数(ONI)来定义和区分El Niño和La Niña事件。ONI是监测ONI的主要指标之一。它是根据赤道太平洋中东部一个区域的3个月运行平均SST距平(基于每5年更新一次的中心30年基期) 计算得出的，该区域称为Niño 3.4区域(5(◦)S至5(◦)N;170(◦)W至120(◦)W)，参见图18所示的Niño区域。如果ONI > +0.5(◦)C连续至少5个月，则该事件定义为El Niño;而当ONI连续至少5个月< - 0.5(◦)C时，相应的事件被视为La Niña。ONI用于noaa对ENSO阶段的操作定义。(7)还有一些其他指数来测量El Niño事件，如Niño 1+ 2、3、3.4、4和Trans-Niño指数。(8)除了SST外，ENSO还影响其他气候变量，如大气压梯度、上层洋流和温跃层深度[272]。
ENSO转变机制简述:下面，我们将描述ENSO的物理机制。比耶克内斯首先假设海洋-大气相互作用对ENSO至关重要，现在被称为比耶克内斯[[反馈]][273]。这种[[正反馈]]机制被认为是ENSO发展所必需的重要机制。考虑热带太平洋中部/东部的初始SST异常。这种异常减少了东西向SST梯度减弱Walker环流[274]，导致西风异常。西风异常反过来又推动了海洋环流的变化(东风使赤道温跃层变浅并在太平洋东部引起上升流，使东部保持凉爽)，从而进一步加强了SST异常。由于[[正反馈]]，热带太平洋达到温暖状态，即El Niño。Tziperman和Yu指出，西风爆发虽然部分是随机的，但似乎是大尺度确定性ENSO动力学的固有组成部分[275]。
[图片]

除了正比耶克内斯[[反馈]]外，ENSO的振荡性质还需要一个负[[反馈]]来将耦合的海洋-大气[[系统]]从温暖(El Niño)阶段转变为寒冷(La Niña)阶段。自20世纪80年代以来，人们提出了不同的负[[反馈]]，包括延迟振荡器、西太平洋振荡器、充放电振荡器和射向反射振荡器。延迟振子是ENSO振荡性质的一种机制，由McCreary基于海洋西部边界的罗斯比波反射提出[276]。Suarez和Schopf引入了延迟振子来解释ENSO的振荡特征，以强调大洋西部边界上海浪反射的延迟效应[277]。Cane和Zebiak开发了第一个海洋-大气耦合模式，并用它来预测ENSO[278,279]。概念延迟振子模型表示如下:
$$\frac{dT}{dt} = AT - BT(t-\eta) - \varepsilon T^3,$$
式中，T为赤道东太平洋SST异常，A、B、η和ε为常数。式(102)右侧的第一项表示海洋和大气之间的比耶克内斯[[正反馈]]。第二项表示海洋西边界波反射的延迟负[[反馈]]。最后一项为三次阻尼项。已经发现，延迟振子忽略了西太平洋海洋-大气相互作用的作用，并假设海洋东部边界的波反射不重要[280]。
由于延迟振子没有考虑西太平洋异常模式，Weisberg和Wang[281]开发了ENSO的西太平洋振子模型。该模式强调远西太平洋赤道风异常在ENSO演变中起重要作用。西太平洋振子模式表示为:
$$\frac{dT}{dt} = a \tau_1 + b_2 \tau_2(t - \delta) - \varepsilon T^3$$,
$$\frac{dh}{dt} = -c \tau_1(t - \lambda) - R_h h$$,
$$\frac{d\tau_1}{dt} = dT - R_r \tau_1$$,
$$\frac{d\tau_1}{dt} = dT - R_{\tau_1}\tau_1$$,
$$\frac{d\tau_2}{dt} = eh - R_{\tau_2}\tau_2$$
式中，T为赤道东太平洋SST异常，h为赤道外西太平洋温斜深度异常，τ1和τ2分别为中太平洋和西太平洋赤道纬向风应力异常。所有模式参数均为常数。
研究发现，西太平洋海平面的上升和下降与ENSO有关[282]。基于这些思想，Jin[283,284]发展了ENSO的充放电振荡模型，该模型表示为:
$$\frac{dT}{dt} = CT + Dh - \varepsilon T^3$$
$$\frac{dh}{dt} = -ET - R_h h$$
式中，T为赤道东太平洋SST距平，h为赤道西太平洋温深距平。模式参数C、D、ε、E和Rh为常数。特别地，公式(108)和(109)表示热带太平洋热含量的排放和补给。Picaut等人[285]提出了ENSO射向反射振荡器的概念模型。他们发现，[[正反馈]]来自于东向西太平洋暖池(WPWP) 平流的海洋纬向流。有三种负[[反馈]]倾向于将WPWP推回西太平洋，包括:(1)洋西边界与波反射相关的纬向流异常，(2) 洋东边界与波反射相关的纬向流异常和(3)WPWP东边缘的平均纬向流辐合。与其他三种振子模式不同，平流-反射振子模式没有一组简单的启发式方程。相反，他们使用了由风异常强迫的线性风强迫海洋数值模式，风异常与第一个斜压开尔文波和第一个经向罗斯比波的纬向流有关[195]。此外，Wang[286]基于Zebiak和Cane耦合模型的动力学和热力学，以及之前所有的ENSO振子模型，建立了统一的ENSO振子海洋-大气模型，假设ENSO可能是一个多机制现象，它们的相对重要性可能取决于时间。统一ENSO振子模型表示为:
$$\frac{dT}{dt} = a \tau_1 - b_1 \tau_1(t-\eta) + b_2 \tau_2(t-\delta) - b_3 \tau_1(t-\mu) - \varepsilon T^3$$,
$$\frac{dh}{dt} = -c \tau_1(t-\lambda) - R_h h$$,
$$\frac{d\tau_1}{dt} = dT - R_{\tau_1}\tau_1$$,
$$\frac{d\tau_2}{dt} = eh - R_{\tau_2}\tau_2$$
式中，T、h、τ1和τ2分别代表赤道东太平洋海温异常、赤道西太平洋暖斜深度异常、赤道中太平洋纬向风应力异常和赤道西太平洋纬向风应力异常。对于给定的一组参数，公式 (110) -(113)可以在年际时间尺度上振荡。
El Niño预测
自20世纪90年代以来，动力学和统计模型都被用于模拟和预测El Niño事件，为社会提供了为暴雨、洪水和干旱等相关灾害做好准备的机会[287，288]。虽然目前CPC/IRI中大约有17个动态模型和8个统计模型常规提供ENSO预测，但高预测技能通常仅限于未来6个月左右，见图19中的描述。原因是存在所谓的“春季可预测性屏障”(SPB)，由于赤道海洋-大气[[系统]]的耦合[[反馈]]，误差被大大放大[289,290]。在春季之后，模式成功预测的能力变得越来越好。
一般来说，预测技能差可以分为两类:预测[[系统]]的不完善(包括，子网格尺度运动的模型参数化错误，数据点的相对稀缺性，数据测量的错误)，以及可预测性的基本限制[272]。基本限制通常来自于[[系统]]的[[复杂性]]和[[混沌]]性。
为了克服SPB在El Niño预测中的局限性，开发了几种基于神经网络的方法。例如，Ludescher等人通过分析CN发现，在变暖事件发生前一个日历年，存在一种大[[规模]]的合作模式，将El Niño区域与海洋的其他部分联系起来[291]。这种模式可能是由于El Niño作为CN中的一个自治组件的出现[61]。CN中使用的所有节点如图20a所示，其中El Niño盆地[61]内的14个网格点为红色，该区域外的193个网格点为蓝色。数据为NCEP/NCAR再分析i的日地表气温(SAT)，如第2节所述，第一步是通过减去每个日历日的气候平均值来去除季节趋势。然后是El Niño盆地之间的联系和外部(见图20a)均被考虑。各环节的强度W(i,j)(t)根据公式(15)计算。CN中动态链路的平均强度S(t)是通过对所有单个链路强度的简单平均得到的。图20b显示了学习阶段(上)和预测阶段(下)S(t)的时间演化。他们发现，在El Niño事件之前，S(t)倾向于增加。当S(t)超过阈值Θ= 2.82时，他们就会发出警报(见图20b)。通过接受者工作特征(ROC)类型分析(稍后解释)的预测精度比基于气候模型的12个月预测要好得多。基于这些关于CN时间演化的发现，Ludescher等人成功预测了2014-2016年El Niño事件的发生[292]。
[图片]
Fig. 19. Spring Predictability Barrier. The El Niño forecasting skill of models based on February–October observations to predict the November– January average value in the El Niño-3.4 region (see Fig. 18). Results are an average correlation coefficient from 20 models between 2002–2011.
Source: Figure is from NOAA.
图19。春季可预见性障碍。基于2 - 10月观测资料的模式对El Niño-3.4区域11 - 1月平均值的预测能力(见图18)。结果为2002-2011年间20个模型的平均相关系数。
来源:图来自NOAA
[图片]
图20. 气候网络和El Niño预测算法。a. CN节点。El Niño盆地内的每个节点(红色实体符号)与盆地外的每个节点(蓝色开放符号)相连。红色矩形表示Niño 3.4区域。b.红色曲线为CN的平均链路权值S(t)，水平线表示决策阈值Θ= 2.82，蓝色区域表示El Niño事件。当S(t)从下面越过阈值时，给出一个警报，表明El Niño事件将在下一个日历年开始。
来源:转载自参考文献[291]的图。
在这项工作的激励下，孟等人开发了一种结合气候、网络和渗透理论的多学科方法来预测El Niño的发生[65]。他们的方法可以提前1年预测El Niño事件，预测准确率高达70%，误报率仅为4%。与[291]不同的是，他们考虑了最初有726个孤立节点的全局CN。根据链路强度逐个添加链路，即首先添加权值最高的链路，然后继续选择权值递减排序的链路。在CN的演变过程中，他们发现网络的结构在El Niño事件发生前大约一年发生剧烈变化，因此建议使用最大簇(渗透簇)∆的最大尺寸变化[见公式(48)]作为基于渗透的前兆，来预测El Niño事件。此外，基于有限尺寸尺度分析，他们发现渗透过程是不连续的。
[图片]
图21. El Niño预测算法。a.红色曲线为Eq.(115)中定义的预测指标，蓝色线为ONI。水平黑色虚线表示FI = 0, ONI曲线下的蓝色阴影表示El Niño周期。绿色箭头表示真正预测，而黑色虚线箭头表示假警报。紫色箭头是2018-2019年El Niño事件的警报。b. 2012年5月以来FI(t)和ONI的详细视图。
来源:转载自参考文献[66]的图。
为了预测El Niño事件的发生和震级，孟等人开发了另一种[[复杂]]的基于网络的方法[66]。他们提出了一个新的基于CN链的预测指数，表示Niño 3.4区域不同站点之间低频时间温度异常变化的相似性。他们发现，该指数的显著上升趋势预测了El Niño事件大约提前1年发生，而自上次El Niño事件结束以来的最高峰预测了接下来事件的强度。在ERA-Interim、NCEP Reanalysis I、PCMDI-AMIP 1.1.3和ERSST.v5等多个数据集上对其指数进行了测试。他们将Niño 3.4区域的一致性/无序度定义为:
$$C(t) = \frac{2}{N(N-1)} \sum_{i=1}^{N-1} \sum_{j=i+1}^{N} C_{i,j}^{(t)}(\theta)$$，
其中N为Niño 3.4区域的节点数，为延时互[[相关函数]]的最大值，见式。(12)和式(13)。提出预测指数(FI)作为时间(月)的函数:
$$\text{FI}(t) = \frac{1}{m + 1} \sum_{a=0}^{m} \ln C(t - a) - \ln C(t)$$
其中a = 0表示ln(C)的平均值包括当前月份，而m是自1981年1月以来在t之前的月份总数。我们使用ERA-Interim数据集在图21中展示了FI和ONI的时间演变。根据FI的时间演变，他们成功预测了2018-2019年El Niño事件的发生，见图21b中紫色箭头上方的紫色星星。
请注意，可以使用FI的峰值来预测接下来的El Niño事件的强度。这个峰值是从上一个事件结束到一个新事件开始确定的，这意味着我们应该等到新事件开始发生。进一步提高预测技巧，特别是提前时间较长的震级预测。孟等人[241]开发了SysSampEn方法，详见2.4.5节。在公式(100)中定义，如图15a所示。El的震级与SysSampEn的相关性可达r = 0.99[见图15b]。他们进一步利用这种相关性来预测El Niño的大小，预测范围为1年，精度很高(即，单个数据集预测的平均值均方根误差= 0.23◦C)。特别是，对于2018-2019年El Niño事件，他们预测的弱El Niño震级为1.11±0. 23◦C，而观测值为0.9◦C。
最近，Feng等人将[[机器学习]]技术和气候网络结合起来，应用于El Niño事件的预测，特别是对El Niño事件的发生和NINO 3.4指数随时间的发展[293]。在参考文献[294]中，Petersik和Dijkstra应用高斯密度神经网络和分位数回归神经网络集成来预测ENSO。用于预测的经典[[机器学习]]模型通常只预测一个点值，例如ONI。相反，他们的模型直接预测了ONI的[[概率分布]]。特别是，他们发现他们的[[机器学习]]模型在1963年至2017年的评估期中，对于较长的提前期(提前12个月)具有高相关性技能(r = 0.5)。在参考文献[295]中，Ham、Kim和Luo使用迁移学习在历史模拟和再分析上训练卷积神经网络，并开发了热图分析。他们发现，采用[[深度学习]]方法的统计预测模型可以产生熟练的ENSO预测，预测周期长达一年半。文献[296]综述了基于现代[[机器学习]]和[[人工神经网络]]的ENSO预测。
[图片]

图22El Niño远程影响:远程连接，在北方冬季12月至1月至2月。降水和地表气温与ENSO暖期有统计可靠关系的地区。
来源:图经美国国家海洋和大气管理局许可转载。

ENSO的远程影响:[[遥相关]]
如上所述，ENSO现象主要发生在太平洋。然而，地球的大部分地区都能感受到它的影响。这些远程效应通常被称为远距连接，强调一个地方气候条件的变化可以影响到远离源头的地区[271,297]。[[遥相关]]通常由在两个不同地点或地区观测到的数值之间的相关性来表示。它与变率的模式有关，与大气波的传播、洋流的存在等有关。例如，与北大西洋涛动(NAO)和ENSO相关的远相关是可以在大气中找到的远程相关的主要例子。由于这些全球[[遥相关]]，El Niño导致太平洋中部降水增加，印度尼西亚和澳大利亚北部干旱，莫桑比克干旱和温暖，而美国西部则趋于湿润。图22显示了12月至1月至2月期间与El Niño相关的[[气候模式]]。已在一定程度上可靠地显示出受温暖ENSO阶段影响的区域被突出显示，例如，温暖vs。-冷和湿vs。-干燥异常。ENSO La Niña对冷相的影响在大致相同的区域，但符号相反。
ENSO远程影响的基本机制是通过罗斯比波等大尺度大气波在大气中产生的。罗斯比波是了解大气天气[[系统]]和海洋大尺度环流的基础。它们基本上取决于科里奥利参数随纬度的变化。在所谓的β-平原[[近似]]中，科里奥利参数随纬度线性变化
$$\beta = \frac{2\Omega}{R} \cos \phi$$，
其中φ为纬度，Ωis为地球自转的角速度，R为地球的平均半径。大气罗斯比波的波长约为6000千米。大气波动动力学类似于在海洋中观测到的ENSO，因为它们涉及到异常风对大气质量的转移，而异常风反过来又影响压力和风。
为了评估一个地区是否存在ENSO连接，Fan等人应用Pearson相关中枢神经网络方法研究了El Niño和La Niña的全球远程影响[64]。他们将Niño 3.4区域称为El Niño盆地(ENB)。中枢神经网络是基于NCEP/NCAR再分析和EAR-Interim数据集的全球每日SAT场，仅使用从ENB到ENB以外地区的定向链接(“内”链接)构建的。这些链接的强度是根据方程计算的。(12)、(13)、(15)。他们确定了互[[相关函数]]绝对值的最高峰的值，并表示相应的时间滞后为。一个CN的[[邻接矩阵]]变为

其中H(x)是Heaviside∑阶跃函数∑foryh (x≥0)= 1且H(x < 0) = 0。每个节点的“in”度和“out”度分别定义为Ii y =j Ay j,i, Oiy =j Ai,j，量化了进入一个节点或从一个节点流出的链接数。使用的ENB之外的每个节点的总“入”权重定义为
$$\text{IN}(C_i^{y'}) = \sum_{j \in \text{ENB}} A_{j,i}^{y'} C_{j,i}^{y'}(\theta)$$
$$\text{IN}(W_i^y) = \sum_{i \in \text{ENB}} A_{j,i}^y W_{j,i}^y$$.
$$\text{IN}(C_i^y)$$和$$\text{IN}(W_i^y)$$的值反映了ENB的影响。具体来说，如果一个节点没有“in”链接，则“in”度和“in”权值都为的值反映了ENB的影响。具体来说，如果一个节点没有“in”链接，则“in”度和“in”权值都为零，表示没有ENB的影响。根据ONI，将时间分为El Niño年、La Niña年和正常年。El Niño和La Niña的“in”加权度字段是通过取相同类型事件的平均值来计算的
$$\text{IN}(C_i) = \sum_{y \in \text{EY}(\text{LY})} \frac{\text{IN}(C_i^y)}{S}$$
$$\text{IN}(W_i) = \sum_{y \in \text{EY}(\text{LY})} \frac{\text{IN}(W_i^y)}{S}$$，
式中e $$S = \sum_{y \in \text{EY}(\text{LY})} I_i^y$$，“EY”和“LY”表示El Niño和La Niña开始的年份。定义入度为零的节点数为N (y)，每个节点的平均入权为
$$C^y = \sum_{i \notin \text{ENB}} \sum_{j \in \text{ENB}} A_{j,i}^y \left| C_{j,i}^y(\theta) \right| / N^y.$$
图23(a-d)显示，受El Niño和La Niña影响的区域具有相对较高的权重(使用C和W)。作为对比，El Niño年和La Niña年冬季(12月至2月)平均温度异常如图23(e-f)所示。图24显示了El Niño年和La Niña年期间受影响/未受影响区域的定量分析，其中红色和蓝色阴影分别强调了El Niño年和La Niña年。网络分析显示ENSO的强烈(高C(y))局域化(低N(y)) 影响，即这些较强的加权活动被发现集中在非常局域化的区域，而全球的很大一部分不受这些事件的影响(低低N(y)意味着受影响的节点较少)。
El Niño的多样性
据报道，有不同类型的El Niño事件，如典型的东太平洋(EP)和Modoki中央太平洋(CP)类型[298,299]。根据SST异常的空间格局进行分类。例如，与EP类型相关的最强SST异常位于南美洲海岸附近。然而，对于CP类型，最强的SST异常位于国际日期变更线附近。在文献[300]中，Wiedermann等人提出了一种基于进化cnn的指数，以客观区分不同类型的El Niño和La Niña事件。特别是，他们发现他们的网络指数在EP事件期间显示出一个尖峰，而在CP事件期间，它仍然接近正常年份的观测值。Lu等人在cnn分析的基础上，开发了一种新的方法来提前估计ElNiño事件的影响，并预测El Niño事件的类型[301]。
3.1.2. 印度夏季风
印度夏季风（ISM）是世界季风[[系统]]中最为突出的一个，对印度的农业生产和经济有着决定性的影响。印度夏季风带来了该国超过70%的年降雨量。对印度夏季风的时间（开始日期和结束日期）以及降雨量的预测对于印度次大陆来说至关重要，并且强烈影响着该国的国内生产总值，其中高达22%由农业决定[302]。时间上的轻微偏差，表现为延迟（或提前到达）可能导致严重的干旱（洪水）。此外，降雨量的波动，即使只有10%的变化，也可能导致严重的洪水或干旱，对基础设施造成破坏，并导致人口的作物和生计损失[303]。印度夏季风的开始是突然发生的，并且近几十年来，对于开始、结束和降雨量的长期提前业务预报几乎没有显示出任何技巧。
[图片]
图 23. 厄尔尼诺现象的远程影响：气候网络。(a), (c) 厄尔尼诺事件的“入”权重图（使用 C 和 W）。(b),(d) 厄尔尼娜事件的“入”权重图（使用 C 和 W）。(e), (f) 厄尔尼诺和厄尔尼娜期间的冬季（12 月至 2 月）平均温度异常。来源：转载自参考文献 [64]。
印度夏季风爆发和撤退预测
已经开发了几种统计气候模型，用于预测ISM的开始和结束日期，其时间尺度各不相同，从短期（最多4天）、中期（4-10天）[304,305]到延伸期（10-30天）和长期（超过30天）预测[306]。特别是，印度气象局（IMD）提前21天提供季风开始的预测，准确度为±4天。请注意，大多数ISM预测模型都基于输入值，包括SST、平均海平面压力、对流层湿度、湿静态能量、出射长波辐射、风场等[307–311]。然而，现有的预测方法仍然存在一些紧迫的挑战：（i）与非季风大气环流[[系统]][312]有关的虚假季风开始；（ii）在9月1日之前预测撤退数据的局限性。
为了克服这些挑战，Stolbova等人提出了一种新颖的临界要素方法，以准确预测印度夏季风（ISM）的开始和撤退日期[95]。该方法依赖于两种方法的结合：气候网络分析和非线性动力学。首先，对极端降雨事件网络的分析能够识别并揭示最活跃的[[枢纽]]之间的[[遥相关]]性，即东部高止山脉（EG）和巴基斯坦北部（NP）。其次，通过对波动进行分析来应用非线性动力学，从而检测临界跃迁，这些跃迁被用于定义印度夏季风的临界要素。之后，选择EG和NP作为最佳观测地点或参考点（RPs），以预测印度夏季风的开始和撤退。研究发现，在这些参考点之间，存在一个关于海表温度（SAT）和相对湿度的[[临界点]]，这产生了一个非常成功的预测方案。
ISM CN 专注于季风区域 (62.5–97.5◦E，北纬 5.0–40.0◦N)，空间分辨率为 2.5 度，这导致 15 × 15 = 225 个网格点，见图 25。1000 hPa 附近的 SAT (T )、1000 hPa 的相对湿度 (rh) 和700 hPa的风场。首先计算每个格点上(T )和(rh)的方差σ 2，如[95]所示
$$\sigma^2(x, d, w, y) = \langle [x(t^*(y) - d - k) - \bar{x}(t^*(y) - d - k)]^2 \rangle_w =
= \sum_{k=1}^{w} \frac{1}{w} \left[ x(t^*(y) - d - k) - \sum_{i=1}^{w} \frac{x(t^*(y) - d - i)}{w} \right]^2,$$
其中，x(t)代表一个时间序列，w是时间窗口的长度，d是ISM开始前的天数，y是一个给定的年份，t∗(y)是给定年份y的开始日期。σ 2的时间平均值可以简单地表示为
$$\bar{\sigma}^2(x, d, w) = \langle \sigma^2(x, d, w, y) \rangle_y = \sum_{y=1}^{Y} \frac{\sigma^2(x, d, w, y)}{Y},$$
其中Y代表总年数。结果如图25所示。已经证实，当接近季风开始日期时，对于T和rh，EG和NP区域的σ ̄ (2)增长最高。进一步发现，在1951年至2014年期间的平均时间序列的RP中存在两个交点。在两个交点处，它与IMD确定的开始和撤退的平均值重合，EG区域的标准偏差为±5天，见图26。因此，这允许基于RP中T和rh的趋势，推导出用于预测EG中ISM开始和撤退的预测方案。
[图片]
图24. 厄尔尼诺-南方涛动（ENSO）的强局部影响。(a) 海洋尼诺指数（ONI）随时间的变化。(b) 有入链的节点数量随时间的演变。(c) 每个节点的平均入链权重随时间的演变。厄尔尼诺和拉尼娜时期分别用红色和蓝色阴影突出显示。
来源：转载自参考文献[64]的图

[图片]
图25. 近地表气温T周均值的波动方差σ¯²（定义见式(121)）在季风前的增长情况。(a) 印度夏季风（ISM）在东高止山脉（EG）爆发前21天，(b) 7天，(c) 1天，d = c - a。合成分析时段为1958 - 2001年，数据来自ERA40再分析数据集，700 hPa风场用蓝线表示。两个方框代表关键区：巴基斯坦北部（NP，蓝色）和EG（粉色）。(e) 在接近季风爆发日期时，NP（蓝色）、EG（粉色）以及印度次大陆（IS）平均的波动方差增长情况。
来源：参考文献 [95] 中的图。

接下来，对两个RP进行线性趋势估计，并与训练期（1951-1965年）的平均时间序列的趋势进行比较。RP趋势的斜率提供了对季风早、正常或晚到达的估计：大于平均斜率的T将导致比平时更早的开始，反之亦然。RP中rh的趋势与训练期的平均趋势相比，增加了对开始的可预测性：高于平均值的相对湿度导致较晚的开始，反之亦然。
研究还发现，ISM的开始与EG和NP中的T相等之日相吻合（见图26a）。因此，为了预测开始时间，应该预测EG的T何时会突然下降并与NP的T相交。最后，撤退的预测方案是基于NP在一年中T变化的对称性。撤退时间估计为NP中预计的T下降与季风季节期间EG中的T的交点（见图26c）。
如果预测的开始时间与实际开始时间的时间差为≤ 7天，预测的结束时间与实际结束时间的时间差为≤ 10天，则认为预测是成功的[95]。所提出的使用T的方案在一年中的第125天（4月10日）进行预测时，能成功预测74%的开始时间。在第205天（7月25日）进行预测时，该结束时间预测方案在84%的年份中取得成功。基于此预测方案，他们成功预测了自2016年以来EG地区的开始和结束时间。
ISM降雨量预测
印度夏季风（ISM）是最突出的季风[[系统]]之一。它影响着印度次大陆，是该地区最古老、最受期待的天气现象之一。人们已经提出了几种理论来解释季风的潜在机制。例如，海陆风理论：由于陆地和水的比热容差异，大陆比海洋升温更快。因此，沿海陆地上方的空气比海洋上方的空气升温更快。与海洋上的气压相比，这些在沿海陆地上方形成了低气压区域，导致富含水分的风从海洋流向陆地。当到达陆地时，这些风由于地理起伏而上升，绝热冷却，导致地形雨。然而，对印度夏季风的理解和可预测性仍在不断发展。
全印度降雨指数（AIRI）是印度次大陆整个区域6月至9月印度夏季风（ISM）降雨量的平均总和。它是印度气象局（IMD）监测印度夏季风降雨量[313]的主要指标。对印度夏季风降雨量（ISMR）进行准确的长期预测对于采取及时行动和缓解活动至关重要。在过去的几十年里，人们已经做出了巨大的努力来理解季风的基本物理原理，并提高全印度降雨指数（AIRI）的预测技巧[314–320]。然而，这两种方法都面临着与预测因子之间关系不稳定的挑战，正如近年来观察到的那样，由于边界强迫与印度季风之间的耦合减弱[321,322]。特别是，印度气象局（IMD）统计模型做出的官方业务预报的预测技巧（互相关）在1989-2012年为−0.12，五个集合模型的多元模型集合为0.09，四个亚太气候中心/气候预测与应用项目（APCC/CliPAS）模型的多元模型集合技巧在1989年后为0.24。研究发现，最近的失败很大程度上是由于这些模型无法捕捉到近期全球变暖期间出现的新可预测性来源[303]。
传统上，尼诺3或尼诺3.4区域4月至5月的海表温度异常被用作印度夏季风降水（ISMR）预测的预测因子。这是因为印度夏季风降水的变化主要由东太平洋厄尔尼诺（EP-ENSO）通过热带[[遥相关]]驱动[314,315]。然而，近几十年来，印度全印度降雨指数（AIRI）和东太平洋厄尔尼诺之间的这种反向关系已经减弱[270]。研究发现，中太平洋厄尔尼诺（CP-ENSO）也具有独特的[[遥相关]]，并对印度夏季风降水产生影响[324]。基于这种物理机制，Wang等人[303]提出了四个物理-经验的印度全印度降雨指数预测因子，即东太平洋厄尔尼诺预测因子（EPT）、中太平洋厄尔尼诺预测因子（CPT）、巨型厄尔尼诺预测因子（PSH）和异常亚洲低压（NAT）。EPT定义为：5月减去3月的海表温度东西向偶极子趋势：DSST(∗) (20◦S-5◦N, 150◦E–170◦E)减去DSST (10◦S–10◦N, 110◦W–80◦W); CPT定义为：5月减去4月的海表温度南北向偶极子趋势：DSST† (10 ◦–25◦S, 170◦E–160◦W)减去DSST (5◦–20◦N, 180 ◦–150◦W); PSH定义为：4月至5月平均海平面气压，在(40 ◦ S–10◦S, 160◦W–90◦W)和(10◦N–30◦N, 180◦–130◦W);范围内平均；NAT定义为：5月减去3月的海平面气压，在(45◦N–60◦N, 95◦E–125◦E)范围内平均。DSST(∗)表示5月和3月之间的海表温度差异（5月减去3月）。DSST†表示5月和4月之间的海表温度差异（5月减去4月）。这些预测因子（EPT）在1989-2012年期间产生了0.51的独立预测技巧，在1921-2012年期间产生了0.64的92年回顾性预测技巧。然而，该模型的预测提前期非常短，即从5月（提前一个月）或6月（印度气象局的业务模型）开始。
[图片]
图 26. ISM 开始日期 (OD) 和撤退日期 (WD) 的预测：2012 年案例研究。左列：OD 的预测；右列：东高止山脉 (EG) 的 WD。(a), (c): 1000 hPa 的气温；(b), (d) 1000 hPa 的相对湿度。来自参考点的时间序列：14 年平均值（黑色）和 2012 年巴基斯坦北部 (NP)（蓝色）和 EG（红色）的值。灰色线显示来自 NP 和 EG 的 14 年训练期间的时间序列。饱和温度 Tsat(a) 和饱和湿度 rhsat(c) 用水平黑色实线标记 (Tsat = Tonset, Tonset 和 rhsat 计算为 EG 和 NP 训练期间平均时间序列的交点)，饱和日期 (dsat)（当 2012 年 EG 的温度达到 Tsat) 时）用垂直深蓝色线标记。橙色线表示 NP 和 EG 训练期间平均时间序列的趋势，浅蓝色是 2012 年的趋势。黑色实线表示训练期间 OD (⟨OD⟩) 和 WD (⟨WD⟩) 的平均值。垂直虚线灰色线对应于预测的开始日期 (ODp) 和撤退日期 (WDp)，而垂直实线灰色线是 2012 年的实际开始和撤退日期。来源：参考文献 [95] 中的图。
为了实现对印度夏季风（ISM）降水的长期可靠预测这一目标，Fan等人基于全球近地表气温场[323]构建了一系列动力和物理耦合的网络。研究发现，有向加权[[复杂网络]]的一些特征可以作为印度夏季风降水预测的有效长期预测因子。所开发的预测方法利用前一历年的数据，提前5个月进行预测，预测技巧达到0.5。该预测技巧与当前最先进的模型相当，但提前期较短（即在一个月内）。新的基于网络的预测方法描述如下。
气候网络构建：基于NCEP/NCAR再分析逐日SAT异常数据，为从1948年至今的每个日历年构建一个气候网络。在这项工作中，选择了726个节点，以使全球得到[[近似]]均匀的覆盖 [61]。连接强度和方向是基于节点温度异常时间序列之间的相似性度量来确定的[参见公式(12)–(16)]。只有当一对节点的连接强度在前5%的正强度范围内时，才定义为连接，这也对应于高于95%置信水平的统计显著性。
网络预测因子挖掘：为了挖掘AIRI的动态网络预测因子，计算观测到的AIRI与全球每个节点i的网络入度Kiy时间序列之间的互相关[参见公式(6)]。由于自1989年以来，AIRI在IMD业务预报和其他模型中的预测能力变得非常差[303]，因此将记录分为两个连续的时期，即（i）1950-1988年作为训练期，以及（ii）1989-2018年作为回顾性预报期。对于训练期，相关系数如图27a所示。发现一些节点的入度指数能够很好地捕捉AIRI的行为。特别是，具有最大相关性r的节点（在图27a中黄色框标记的区域内）位于南大西洋[(30◦S，30◦W)]。图27b显示，此最大相关性的值为r = 0.49，学生t检验的显著性为p < 0.01。因此，该关键节点的入度指数被认为是AIRI的优化网络预测因子。
[图片]
图 27. 基于气候网络的ISM降雨量预测示意图。(a) 所有节点在训练期间观测到的AIRI与入度时间序列之间的相关系数。(b) 在训练期间，观测到的AIRI与优化的网络预测因子（即黄色框中关键节点的入度时间序列）的散点图。(c) 在1989-2018年预测期间，观测到的AIRI与预测的AIRI的散点图。(d) 南大西洋关键节点与印度次大陆之间的[[遥相关]][[路径]]。面板(a)中的黑色×表示相关性在95%置信水平上显著的区域（Student’s t-test）。面板(c)中最近五年以红色突出显示。颜色和灰色箭头描述了面板(d)中2014年8月12日印度夏季风季节850 hPa风的大小和方向。来源：转载自参考文献[323]中的图。
AIRI预测：接下来，测试网络预测器在1989-2018年期间的预测能力。为了获得特定年份的AIRI预测值，将预测年份的预测变量值（即，前一年关键节点的网络入度）代入最小二乘线性回归方程。用于预测的这个方程仅使用过去的信息推导得出。1989-2018年期间的独立预测技巧变为∼ 0.50，这明显高于IMD的业务预测技巧[参见图27c]。结果表明，基于网络的预测器具有良好的准确性，且提前期长达5个月。最后，基于2018年的数据，2019年的AIRI预测为949.87毫米，与长期平均值887.5毫米相比，偏差百分比为7%。2019年AIRI的实际值为968.3毫米。
[图片]
图 28. ISM降雨预报的物理机制。季节平均（6月-9月）Niño 3.4海表温度与(a)海表温度，(b)每个格点降雨量之间的相关性。具有统计显著性（95%置信水平）的相关性用点表示。来源：重印自参考文献[323]的图。
在下文中，将讨论一种可能的物理机制。从气象学的角度来看，西南大西洋中纬度关键节点的位置与印度次大陆之间的[[遥相关]]并非巧合。由于与中纬度西风带（地表30°S和60°S之间的西风）的相互作用，南美大陆东海岸的地形容易在中纬度形成反气旋。此外，还存在南极急流的影响，它出现在高空西风带中。南极急流的加速/减速分别诱导低/高压区域，这与气旋和反气旋的形成有关。由于南极急流的强度具有季节性和年际变化，因此它与以关键节点位置为中心的环流强度的变化[[同步]]。一种可能基于数据的[[遥相关]][[路径]]如图27d所示。因此，关键节点的位置可以看作是南大西洋环流、南极急流和印度洋上空主要大气环流模式的[[枢纽]]。这解释了为什么我们观察到关键节点的网络特征与AIRI之间存在显著的相关性。
进一步的分析表明，其物理机制与以下因素有关：（i）网络延迟的ENSO[[遥相关]]，即入度指标在厄尔尼诺发生的前一个日历年局部最小。（ii）ENSO-季风[[遥相关]][270,325,326]，即AIRI异常与Niño 3.4 SST异常指数呈负相关。图28展示了Niño 3.4 SST异常指数与所有节点的SST以及降雨指数之间的空间相关图。这些结果表明，Niño 3.4 SST异常指数与赤道印度洋的SST显著负相关，并且严重影响印度陆地地区的降雨模式。
[图片]
图 29. 印度次大陆极端降雨事件[[同步]] CN 的度[[中心性]]。极端事件阈值为 (a) α = 94% 和 (b) α = 90%。来源：参考文献 [92] 中的图。
此外，基于网络的方法也可以成功地应用于预测印度同质区域的降雨，作为一种预测方案，包括两个特定的同质区域[323]：（1）印度中部降雨指数；（2）印度东部和东北部降雨指数。此外，有确凿的证据表明气候变化会影响预测技巧。过去70年里显著的变暖趋势——关键节点区域850 hPa温度升高了2.5 ◦C——对关键节点区域产生了重大影响。观察到入度指数的增加以及网络本身结构的改变。与这些变化同时发生的是，这种预测方法对ISM降雨量的预测技巧正在大幅提高[323]。
3.1.3. 极端降水
自20世纪50年代以来，极端降水事件带来了更多降雨，且在世界许多地区变得更加频繁。强降水可能对我们的社会构成威胁。最直接的影响是洪水威胁。在城市和农业地区，这种风险可能会加剧。除了洪水，极端降水还会增加山体滑坡的风险。过多的降水还会降低水质，危害人类健康和生态[[系统]]。因此，预测极端降雨事件并为其建立预警[[系统]]至关重要。然而，分析此类事件协变的空间模式具有挑战性，因为基于协方差矩阵主成分分析的传统技术只能捕捉数据的前两个统计矩。
印度极端降雨
为了克服这些挑战，Malik等人应用\text{CNs}方法分析了\text{ISM}期间极端降雨的时空模式[92,328]。该方法基于事件[[同步]]法（见第2.1.3节）。在文献[328]中，数据集是1961 - 2004年的日降水格点数据集，它是“亚洲降水高分辨率观测数据集成用于水资源评估”项目的一部分。11然后，他们提取了南亚地区0.5度分辨率的数据。为了计算事件[[同步]]，选择了\alpha = 94^{\text{th}}百分位数和\alpha = 90^{\text{th}}百分位数这两个不同的阈值来获取极端事件时间序列，分别对应特大暴雨和大暴雨事件。接下来，他们计算了每个格点i和j之间的[[同步]]强度Q_{ij}和延迟行为q_{ij} [见式(20)]。[[归一化]]后，有0 \leq Q_{ij} \leq 1和-1 \leq q_{ij} \leq 1，其中Q_{ij} = 1表示完全[[同步]]，Q_{ij} = 0表示没有[[同步]]；q_{ij} = 1表示i处的事件先于j处的事件。然后，通过仅选择显示强相关性的站点对来构建CN，并使用事件之间的时间滞后定义链接方向。
研究了印度夏季风（ISM）期间印度极端降雨的空间结构、组织和尺度。图29显示，CNs的度[[中心性]][见公式(4)]揭示了季风极端降水的明确空间结构[92]。基于使用球面地球投影到平面的公式计算的连接地理长度的中位数，发现极端降雨事件在大部分地区的[[同步]]范围可达250公里。他们进一步发现，这种空间组织为及时预测季风降雨活动的可能空间范围提供了可能性，例如，对于大部分次大陆地区，预测精度\epsilon高于70%，在某些地方甚至可达100%[92]。
南美极端降水
这种事件[[同步]]CN方法也被用于预测南美洲安第斯中部的极端降雨事件[94]。基于实时卫星反演的降雨数据TRMM 3B42V7 [329]，博尔斯等人能够预测安第斯中部超过99百分位的降雨事件中的60%以上，在厄尔尼诺现象期间甚至能预测90%。向北移动的锋面[[系统]]与从亚马逊西部到亚热带的低空风通道之间的相互作用被认为是其成因机制。
极端降雨事件被定义为在空间范围（85°W，30°W）和（40°S，15°N）内，所有12月 - 1月 - 2月季节中阈值α = 99%的时段，空间分辨率为0.25°，时间分辨率为3小时，时间跨度从1998年到2012年。在构建事件[[同步]]CN（见第2.1.3节）之后，网络散度$$\[[Del]]ta S$$被定义为
$$\[[Del]]ta S_i := S_i^{\text{in}} - S_i^{\text{out}} := \sum_{j=1}^{N} A_{ij} - \sum_{j=1}^{N} A_{ji},$$
其中Sin和Sout分别代表每个节点的入强度和出强度。$$\[[Del]]ta S$$的正值表示网络的汇；负值表示源。流入和流出区域R的强度为
$$S_i^{\text{in}}(R) = \frac{1}{|R|} \sum_{j \in R} A_{ij},$$
$$S_i^{\text{out}}(R) = \frac{1}{|R|} \sum_{j \in R} A_{ji},$$
其中|R|表示R中包含的网格点数。
图30a展示了网络散度$$\[[Del]]ta S$$（在式(123)中定义），该散度用于估算南美洲极端降雨的动态变化和时间顺序。标记为1至7的方框用于追踪极端事件。研究发现，降雨网络中最显著的源区是南美洲东南部（SESA），其定义为范围从(60°W, 53°W)到(35°S, 30°S)的方框。图30b描绘了在SESA发生极端事件后的2天内，[[同步]]极端事件发生的位置，由Souti(SESA)测量得出。为作比较，Souti(SESA)在图30c中展示。该分析表明，SESA的极端事件之后，会沿着安第斯山东坡的狭窄地带直至玻利维亚西部出现极端事件，而它们仅在西南部的极端事件之后发生。基于极端降雨从SESA向安第斯山脉中部东部（ECA）的传播，见图30d，在SESA发生极端降雨后的2天内，对ECA的极端降雨进行了预测。需要注意的是，这些极端降雨事件无法通过其他方法进行预测。
全球极端降水
Boers等人[96]还应用事件[[同步]]CN方法来研究极端降雨的全球模式。使用的是1998 - 2016年期间，从北纬50°到南纬50°、日时间分辨率的经雨量计校准的卫星衍生降雨数据集TRMM 3B42 V731。极端降雨事件阈值为6 - 8月雨季（>1毫米）的第80、81、……、99百分位。请注意，连续降雨超过阈值的天数被视为单一事件，并记录在发生的第一天。为研究该方法的稳健性，还对全球降水气候学计划32和NCEP/NCAR再分析1数据进行了测试。
首先，计算每对节点的极端事件[[同步]]性（见第2.1.3节）。如果对应的[[同步]]值显著（p < 0.005），则在两个节点之间添加网络链接。研究了显著[[同步]]发生的空间距离的全局分布。这种分布遵循幂律p(d)⇓ d↔α衰减，对于距离d < 2500 km，指数α非常接近1，但对于更长的距离则呈现超幂律行为。尺度断点表明，显著链接可以分为两类：（i）与区域天气[[系统]]相关的链接，距离可达2500 km，包括中尺度对流[[系统]]和热带气旋；（ii）与全球尺度[[遥相关]]相关的链接。一般认为，这种[[遥相关]]是由大[[规模]]大气环流引起的直接信号传输，或由这些环流扰动触发的传播波造成的[96]。在图31中，展示了南亚中部（SCA）95%分位数以上事件的[[遥相关]]模式。明显存在连接SCA与东亚、非洲热带地区、欧洲大部分地区、北美东海岸以及南半球温带地区的显著链接束。进一步分析表明，罗斯贝波可被视为这些全球[[遥相关]]模式的物理机制。
3.1.4. 大气环流与全球变暖
地球大气主要由环绕我们星球的气体组成，其大气环流模式将空气从一个位置移动到另一个位置，并从地表移动到高海拔地区。大气环流受地球自转、气压、地形、洋流以及温度、盐度等差异的控制。
环流的纬度结构
由于太阳能输入的纬度梯度是大气环流的主要驱动因素，因此其主要特征取决于纬度。我们在图32中展示了地球上大[[规模]]大气环流的理想化描述，该图示意性地表示了环流的主要特征，无论是在纬度-高度平面上还是在水平方向上，但尚未考虑由于大陆、海洋等引起的经度变化。这代表了所有经度的平均环流，称为纬向平均。正如我们所见，在两个半球中都有三个大[[规模]]的对流单元。
[图片]
图 30. 南美洲极端降雨事件[[同步]] CN。(a) 网络散度，∆S，定义为每个节点的入强度和出强度之差（参见公式 (123)）。标有 1 到 7 的方框用于跟踪极端事件。(b) SESA 的出强度，Siout(SESA)，它是限制在 SESA 的平均出强度（参见公式 (124)）。(c) SESA 的入强度，Siin(SESA)，它是限制在 SESA 的平均入强度（参见公式 (125)）。(d) 沿 (a) 中指示的方框序列，从 SESA 到 ECA 的极端降雨事件的时间演变。来源：参考文献 [94] 中的图。
（i）哈德莱环流是一种热力驱动的、翻转的环流，倾向于在热带上升，并在稍高的纬度下沉。来自赤道附近地表的变暖通过对流云向上输送穿过一个深层。上升的空气向极地方向扩散并缓慢冷却，返回到地表，然后向赤道移动。粗略地说，哈德莱环流将热量输送到大约30◦latitude，而瞬时天气扰动的平均效应将热量进一步向极地输送。
（ii）费雷尔环流也被称为中纬度环流。在费雷尔环流中，近地面空气向极地方向和东方向流动，而在较高海拔处则向赤道方向和西方向流动；这种运动与哈德莱环流中的气流方向相反。它是第一个解释南北半球纬度35◦和60◦之间西风带的环流。
(iii)极地环流圈是最小且最弱的环流圈，其范围从南北纬60◦和70◦之间延伸至两极。这些环流圈中的空气在最高纬度地区下沉，并在地表向较低纬度地区流动。请注意，基于纬度的大气环流理想化图景是一个合理的初步[[近似]]，但陆地-海洋的对比以及经度上的其他变化也很重要。
[图片]
图 31. 全球极端降雨事件[[同步]]化CN。南亚中区（SCA）95%分位数以上事件的[[遥相关]]模式。(a) 连接到SCA的链接，在校正多重比较偏差之前。(b) 连接到SCA的链接束，在校正多重比较偏差之后。来源：参考文献[96]中的图。
气候变化对大气环流的影响
气候变化强烈影响大气环流模式，特别是哈德莱环流，它通过向极地输送能量和热量，在地球气候中起着关键作用[330–332]。一项对卫星观测的分析表明，从1979年到2005年，哈德莱环流向极地方向扩张了2◦纬度[330]。关于哈德莱环流变化及其与全球变暖之间关系的一种可能机制已被报道[331]。此外，[332]中提出了哈德莱环流强度变化及其与全球变暖之间关系的一种可能机制。上述观测和理论都表明，在全球变暖的情况下，哈德莱环流会减弱并向极地方向扩张。
众所周知，亚热带干燥区和主要热带/亚热带沙漠的地理位置与哈德莱环流的下沉分支有关[333]。因此，哈德莱环流的极向扩张可能导致一些热带/亚热带地区在未来变得更加干燥[331]。此外，热带气旋最大强度位置的极向迁移也被认为是哈德莱环流扩张的结果[334]。哈德莱环流的强度是使用观测到的纬向平均经向风在流函数 [335]中计算得出的。
$$[\overline{V}] = \frac{g}{2\pi R \cos \phi} \frac{\partial \Psi}{\partial p},$$
[图片]
图 32. 大气环流主要特征示意图。平均环流被理想化为独立于经度且关于赤道对称。来源：该图来自https://courses.lumenlearning.com/geophysical/chapter/global-atmospheric-circulations/。
其中V是气压坐标中的经向速度，R是地球的平均半径，p是气压。算子¯和[ ]分别代表时间和纬向平均。在计算Ψ场时，我们通常假设大气层顶部Ψ = 0，并将公式 (126) 向下积分到地表。哈德莱环流在冬季比夏季强得多。为了量化哈德莱环流的边缘，首先确定500 hPa处Ψ绝对值的最大值(Ψ500)，然后将边缘识别为最大值以北第一个Ψ500变为零的纬度[331]。哈德莱环流的理论表明，经向范围应与对流层顶的高度H成比例[336]
$$\phi_H \sim \left( \frac{g H \[[Del]]ta_H}{\Omega^2 R^2} \right)^{\frac{1}{2}},$$
其中H是由温度数据计算得出的，作为递减率降至2 ◦C/km时的最低压力水平[337]，∆H是对流层平均经向位温梯度，Ω是地球的角速度。根据热力学方程和质量连续性方程[335]，环流的经向翻转流函数Ψ的尺度为：
$$\Psi \sim \left( \frac{g H \[[Del]]ta_H}{\Omega^2 R^2} \right)^{\frac{3}{2}} \frac{R H \[[Del]]ta_H}{\tau \[[Del]]ta_V} \propto \frac{H^{\frac{5}{2}} \[[Del]]ta_H^{\frac{2}{5}}}{\[[Del]]ta_V},$$
其中 ∆V 是热带对流层的干静态稳定度，τ 是环流的特征翻转时间尺度。
尽管对卫星观测和气候变化模拟的传统分析表明哈德莱环流存在极向扩张，但仍然存在两个挑战。（i）这种扩张的经纬度结构尚未完全解决。（ii）与模型和理论考虑预测强度降低相反，在再分析数据集中发现哈德莱环流强度呈增加趋势[338]。为了克服这些尚未解决的问题，Fanet al.开发了一种基于网络和渗透框架的方法，以研究气候变化对大气环流的影响[67]。他们发现在气候[[网络演化]]过程中存在一个突变，表明与热带地区相对应的最大集群持续向极地扩张，以及热带地区连接强度的减弱。这在再分析数据和CMIP5模拟中均有发现。观测到的热带集群扩张的潜在机制与哈德莱环流的减弱和扩张有关。
[图片]
图33. 大气环流的网络[[渗流]]方法。CN组件结构的快照。(a) 刚好在[[渗流阈值]]之前。(b) 巨型簇相对大小G1与总链路数分数r的关系，针对真实（红色）、空间混洗（蓝色）和时间混洗（紫色）记录。(c) 刚好在跨越簇形成之前（在r ⇔ 0.8处的第二大跳跃处）。(d) 全球范围内链路权重Wi,j的PDF，在真实（实线）和混洗（虚线）数据中。垂直线（橙色）表示在[[渗流阈值]]rc ⇔ 0.53处临界链路的强度Wc。
来源：转载自参考文献 [67] 的图。

在参考文献[67]中，气候网络被嵌入到一个二维晶格中，其中只考虑最近邻连接。每个连接的强度是根据公式(15)计算的，使用月度温度差。这些连接按照强度递减的顺序排序，然后按照递减的强度逐个添加。更具体地说，更相似的节点首先被连接。当一个新的连接将一个集群连接到另一个集群时，现有的集群就会增长。然后，气候网络经历一个突发且具有统计学意义的[[相变]]，即在序参量G1（最大集群的相对大小）中表现出显著的不连续性。由于地球的球形形状，气候网络中最大的连通分量被重新定义为
$$G_1(M) = \frac{\max\left[ \sum_{i \in S_1(M)} \cos(\phi_i), \ldots, \sum_{i \in S_m(M)} \cos(\phi_i), \ldots, \right]}{\sum_{i=1}^N \cos(\phi_i)},$$
其中 φi 是节点 i 的纬度。[[渗流阈值]]根据式 (48) 确定，即跳跃幅度最大的步骤被视为[[相变]]点。图 33(a) 显示了[[渗流阈值]]下全球地图中的 CN 组件结构。就在这个跳跃之前，CN 的特征是有三个主要群落；最大的一个位于热带地区；第二和第三大的分别位于南半球和北半球的高纬度地区。图 33(b) 描绘了在 CN 演化过程中最大簇 G1 的相对大小随链路占用概率 r 的变化情况。研究发现，G1 在[[渗流阈值]] rc ⇔ 0.53 处出现突然跳跃。链路权重 Wi,j 的概率密度函数 (PDF) 如图 33(d) 所示。
为了确定最大分量Gc的时间演变及其强度Wc（导致最大转变的关键链路的权重），构建了一系列基于连续且不重叠的时间窗口（每个窗口长度为5年）的网络。结果表明，热带集群正在向极地扩张，同时其强度随时间显著减弱。热带分量的稳健减弱和向极地扩张在再分析数据和31个CMIP5模型中均有观测到。网络[[渗流]]方法还被用于识别气候变化响应，通过比较21世纪前20年和后20年（即2080 - 2100年与2006 - 2026年）热带分量的拓扑结构。研究发现，一些地区，例如印度北部、非洲南部和澳大利亚西部，受热带分量影响的概率更高，而其他地区，如东北太平洋，未来的影响将减弱。
[图片]
图34. 大西洋经向翻转环流（AMOC）的减缓。模型与观测中SST趋势的比较。地球物理流体动力学实验室的CM2.6气候模型在二氧化碳浓度加倍实验（左）和固定二氧化碳浓度的控制运行（中）期间的线性SST趋势。右，1870年至2016年观测到的HadISST数据的线性SST趋势。数据显示的是11月至5月季节的情况。
来源：图源自参考文献 [160]。

3.1.5. 大西洋经向翻转环流
大西洋经向翻转环流（AMOC）是北大西洋[[气候系统]]中的关键组成部分。由于其重新分配的经向热输送，它对气候产生重大影响[339,340]。AMOC已被确定为地球[[系统]]的重要临界要素之一[23]。AMOC的变化不仅影响了北大西洋及其周边陆地，而且还产生了全球性的影响[156]。例如，负向变化导致南欧风暴增多[341]，与美国东海岸高于平均水平的海平面上升有关[342]，并与萨赫勒地区干旱的增加（频率和强度）相关联[343]。最近，Caesar等人提供了确凿的证据，表明自20世纪中叶以来，AMOC减弱了约3 ±1（约15%）斯维德鲁普[160]。这种减弱表现为亚极地大西洋的降温和墨西哥湾流区域的升温模式（见图34）。在高分辨率气候模型（CM2.6）中，以及自19世纪末以来的观测HadISST数据中，都发现了AMOC的减缓，这是对大气中二氧化碳浓度增加的响应。开发了一种改进的基于海表温度的AMOC指数（亚极地冷斑），该指数在其区域和季节覆盖范围上进行了优化，以重建AMOC的变化。特别是，研究发现，自20世纪50年代以来AMOC的下降很可能主要是人为造成的。AMOC的这种减缓主要是由北大西洋北部逐渐变化的淡水强迫引起的。
大西洋经向翻转环流（AMOC）是纬向平均的体积输送，其强度在大西洋26◦N处，目前由RAPID-MOCHA阵列进行常规监测[344]。大西洋经向翻转环流的平均模式由共同体地球[[系统]]模型（CESM）模拟确定[345,346]。AMOC的最大值出现在约1000米深度，位于墨西哥湾流的分离纬度附近，强度约为20 Sv。由于未来AMOC的崩溃已被确定为一个临界要素，因此开发针对这种潜在崩溃的早期预警指标至关重要。正如我们在第2.3节中讨论的那样，已经开发并成功应用了各种技术，以检测基于临界减速概念的单个时间序列中的早期预警指标[177]。特别是，在[179,181]中讨论了AMOC[[临界点]]的早期预警指标。
最近，一些基于[[复杂网络]]（CN）的预警信号被提出，通过分析大西洋经向翻转环流（AMOC）崩溃的相关性，可以有效地监测深海环流的空间变化。具体而言，当接近[[临界点]]时，平均度数、其峰度、同配性和[[聚类系数]]的值会增加[69,70]。[[复杂网络]]方法被应用于来自理想化海洋模型的大西洋经向翻转环流（AMOC）温度时间序列，以及来自耦合大气-海洋全球环流模式（GCM）的AMOC强度时间序列。此外，还提出了AMOC测量的最佳位置，通过分析该指标的性能，以提供崩溃的早期预警信号。接下来，我们将概述这些基于[[复杂网络]]（CN）的AMOC崩溃早期预警指标。
Mheen等人[69]使用了一个维度（经向-深度）理想化的AMOC海洋模型，其中可以显式计算[[临界点]]。在这个模型中，有两个活跃的示踪剂：温度T和盐度S，它们通过线性状态方程与密度ρ相关[347]
$$\rho = \rho_0 \left( 1 - \alpha_T (T - T_0) + \alpha_S (S - S_0) \right),$$
其中αT和αS分别为热膨胀系数和盐收缩系数，而⇀0、T0和S0为参考量。表面淡水强迫FS可作为虚拟盐通量应用，它是
$$F_S(\phi) = \frac{(\gamma + \eta)}{\cos \phi} \cos \pi \frac{\phi}{\phi_N} + \beta F_p(\phi) - Q,$$
其中φ表示纬度，φN是赤道对称区域的北边界，↽是背景淡水强迫的强度，η是白噪音项。ϱ是仅在区域[40°N, 60°N]上施加的异常淡水通量的强度，Q是一个常数，用于将所有参数值下的表面积分盐通量从0[[归一化]]到1。如图35所示，理想化海洋模型中大西洋经向翻转环流（AMOC）的分岔图表明在L1和L2处存在[[临界点]]。该模型在32×16的空间网格上离散化，有四个接近L1的ϱ值，标记为A、B、C和D。该模型的输出是温度场时间序列。
[图片]
图35. 理想化海洋模式中大西洋经向翻转环流（AMOC）的[[临界点]]。(a) 最大（8+）经向翻转流函数与最小（8↔）经向翻转流函数之和相对于异常淡水通量强度ϱ的分岔图。(b) 上稳定分支处的经向翻转流函数（8）模式。(c) 下稳定分支处的8模式。来源：转载自参考文献[69]的图。

接下来，基于皮尔逊相关方法（见第2.1节）构建无向无权CN，无时间滞后，阈值Cc = 0.7 [69]，即如果相关性Ci,j > Cc，则对应的两个节点i和j相连。开发了四个基于网络的指标Ed、Ec、Kd和Kc来研究AMOC的动态演化。这里Ed定义为[[归一化]][[度分布]]d/dmax的期望值；Ec定义为[[归一化]][[聚类系数]]c/cmax的期望值；Kd是[[度分布]]的峰度；Kc是[[聚类系数]]分布的峰度。这四个网络指标如图36所示。研究发现，当接近[[临界点]]L1时，Ed急剧且平稳地增加。这种增加的解释基于在域的大部分区域中，第一个EOF在解的方差中占主导地位的增强。指标Ec（图36g）也是如此。峰[[度分布]]Kd和Kc（图36h）更清晰地显示，在崩溃前接近[[临界点]]L1时，它们会大幅增加。请注意，CN是使用5000年的滑动窗口（偏移1000年）从完整的空间温度场构建的。结果对滑动窗口长度不敏感。为作比较，图36中还绘制了之前针对同一AMOC时间序列所提出的有关转变的早期预警指标，如滞后1阶自相关、DFA、均方差（见2.3节的讨论），这些指标在接近[[临界点]]时往往会出现快速上升/下降。特别是，滞后1阶自相关系数（图36c）在[[临界点]]附近达到最大值，表明AMOC出现临界减速。然而，研究发现该指标并非单调的，在AMOC距离转变还很远时也会上升。图36d所示的DFA分析并未显示出转变的早期预警。图36e描绘了AMOC记录的均方差。它显示出在接近转变时稳步上升，但很难设定一个警报阈值。在图36f中，展示了AMOC强度低于0.5百分位数（基于前5000年估算）的时间占比。这一指标显示出更为急剧的上升，但它是一种相当临时的度量方法，依赖于久远过去的校准[69]。
[图片]
图36. 大西洋经向翻转环流（AMOC）的早期预警信号。（a）AMOC最大值的时间序列。（b）在35000年期间，ϱ相对于时间从0.05到0.17 myr↔1的瞬态变化。（c）时间序列投影到第一个EOF上的滞后1自相关。（d）使用线性（上）和二次（下）去趋势的DFA指数。（e）AMOC的标准差。（f）AMOC强度低于0.5百分位数的时间占比。（g）基于网络的指标Ed（圆圈）和Ec（方块）。（h）与（g）相同，但针对峰度（Kd（圆圈）和Kc（方块））。垂直虚线表示[[临界点]]处的ϱ值。
来源：参考文献[69]中的图。

Feng等人[70]还在更现实的快速气象局/英国大学模拟器（FAMOUS）模型中进行了同样基于CN的分析。FAMOUS模型是哈德利中心耦合模型的简化版本，其海洋和大气分量的分辨率较低。AMOC强度数据的年平均值是从FAMOUS模型的控制模拟和淡水扰动（称为“注水”）模拟中获得的。在注水模拟中，温带北大西洋上空的淡水通量在2000年内从零线性增加到1.0 Sv[70]。已考虑了六个100年平衡模拟中每个模拟的完整AMOC流函数场。研究发现，当淡水强迫增加时，网络中的高度（表明高空间AMOC相关性）首先出现在约1000米深度的南大西洋节点处。引入CN的峰度Kd作为有效指标，以捕捉度场拓扑结构的变化。对于注水模拟，在崩溃时间之前，Kd显著增加到远高于控制模拟的值。然而，临界减缓指标方差和滞后1自相关没有显示任何早期预警信号。此外，峰度Kd还可用于确定AMOC的最佳观测位置，该位置在转变前至少100年提供强烈的异常信号。
[图片]
图37. ETOPO1全球地形模型。ETOPO1是一个1角分的地球表面全球地形模型，整合了陆地地形和海洋测深数据。当前平均海平面（零高度）被假定为高度地形的垂直基准。
来源：图源自美国国家海洋和大气管理局（NOAA）https://www.ngdc.noaa.gov/mgg/global/。
3.2. 地球几何地貌
地球的地形或水深呈现出[[复杂]]的[[多重分形]]结构和标度特性[34][348][349][350]，这可以被视作板块构造过程的结果。揭示地球表面几何特征与其内部的地质过程之间的联系，长期以来一直是地球科学中的一项基本挑战。板块构造理论通常用于研究地球上的大部分主要地形特征[351]，据报道，海洋底部地形与地球气候之间存在着紧密的关联[352]。此外，地球的表面地形也在海洋动力学演化中起着显著作用，尤其是在全球气候变化和海平面上升的问题上面。海平面上升是全球气候变暖的主要后果之一[353]，且已观察到它与风暴潮及其他极端事件共同产生影响[354]。减少全球二氧化碳排放对于管控海平面上升的风险至关重要。据估计，即使在《巴黎协定》[355]的限制范围内，到2300年为止，海平面上升的中位数也将在0.7～1.2米之间。格陵兰岛和南极洲的大型冰盖被认为是导致海平面上升的最可能的因素。假设这些冰盖完全融化，海平面将分别从格陵兰冰盖、南极西部冰盖和南极东部冰盖上升约7米、5米和53米。因此，人们对解释/预测海平面上升的影响区域产生了极大的兴趣。
近期，ETPO1全球地貌模型(ETOPO1 Global Relief Model) 发布，为基于地貌特征更好地理解地球表面过程提供了新的机会[356]。 ETOPO是一个1弧分的地球表面全球地貌模型，它集成了由NOAA完成的陆地地形和海洋测深。它由全球和区域数据集构建，用于计算世界海洋体积并得出地球表面的螺旋曲线。（见图37）
在本节中，我们将使用[[渗流理论]]来研究地球几何表面起伏的统计特性。还将讨论其[[分形结构]]和标度特性。特别是，将证明地球上当前的平均海平面与全球地形[[渗流]]描述中的临界阈值相吻合；有力的证据揭示了地球起伏[[网络演化]]过程中发生的突变，这表明存在大陆/集群聚合现象。这有助于我们识别那些更容易受到全球气候变化影响的关键节点或位置。

3.2.1. [[自相似]]性和长关联性
[[自相似]]性和长关联是地球表面地形的显著特征[34]。大约从30年前开始，非线性动力学的新思想，尤其是[[分形]]和标度的理念，引发了固体地球物理学（包括地形学）建模和实验表征研究的爆炸式增长，综述见参考文件[357]。地球地形线形样带的功率谱 S 遵循标度关系 , 其中k表示波数[34]。这种白哦度关系用于测量地球表面地形的[[自相似]]性。此外，在地球的海底地形[358]、河[[流网络]][359]的拓扑以及天然岩石表面[360]中也发现了类似的标度关系。
地球表面地形的长程关联特征可以有以下方式描述。幂律谱中的指数 b(c )通过 b(c )=2H + 1与分数布朗运动 (fBm) 中的Hurst指数H相关，这导致地球地形的。而对特定部分的进一步通用[[多重分形]]参数估计导致了更[[复杂]]的结构，即测深、大陆和大陆边缘分别为H = 0.46, 0.66, 0.77。[348]
地球表面地形的第三个特征是众所周知的双峰分布，这是板块构造过程的结果[361]。它表示大陆和海洋盆地的地形二分法。
3.2.2. 陆地和海洋集群
尽管经典的构造理论提供了一个可以解释地球大部分主要表面地形特征的框架，但正如第 2.2 节所讨论的，为了从[[统计物理]]学的角度研究地球的几何特征，开发了一种基于[[渗流]]的描述描述[127][130]。该分析基于高分辨率的 ETOPO1 全球地貌记录。分辨率为 1 弧分，即N=110800×21600 个网格点。当前平均海平面（零高度）假设为高度地貌 h(ϕ(i),θ(i))的垂直基准面，其中 ϕ(i), θ(i )是网格点i的相应纬度和经度。
在参考文献[127] 中，假设的水位被认为是渗透控制参数。当它从地球上的最高可用高度降低到最低可用高度时，在临界水平 h(c) 处发生几何渗透[[相变]]，陆地的大部分都围绕着它连接在一起。图38通过将海平面从 h=100m（上）降低到 h=−3520m（下）说明了陆地群聚集。为了确定[[渗流阈值]]，将任何节点成为最大岛屿一部分的概率定义为序参量;平均岛屿大小 χ（类似于[[系统]]的敏感性）定义为， ,其中 n(s)(h) 表示 h 级别 s 大小岛屿的平均数量，总和上的素数代表排除最大的岛屿;相关长度 ξ 定义为属于同一岛簇的节点的平均距离，,其中 R(s) 是给定 s 簇的回转半径。已经发现，岛屿的序参量在零高度水平 h=0 附近突然跳跃，即在当前的平均海平面上（图39a）。进一步发现，量 χ 和 ξ 在当前的平均海平面上变得不同，见图39b。从这些结果来看，最引人注目的观察结果是临界水平 h(c) 与地球上目前的平均海平面 h=0 相吻合。这可能表明水在地球上的重要作用，并为构造板块运动提供新的视角[127]。
对海洋集群也进行了相同的渗透分析，即假设的水位从最低到最高。图 39b 在 −3640 m 左右引起了海洋顺序参数的不连续跳跃。对月球的地形进一步研究揭示了月球的各种特征。研究发现，月球的临界水平在阈值处有相同数量的陆地和海洋，这表明存在纯粹的几何[[相变]][127]。
3.2.3. 不连续性的起源
据报道，随机网络或晶格[[系统]]总是经历连续的[[渗流]][[相变]]，并显示出标准的标度特征[81]。然而，地球地形的渗透过渡顺序仍然是一个悬而未决的问题。为了回答这个问题，樊京芳等人开发了一种更[[复杂]]的基于[[渗流]]的方法[130]。[[渗流]]模型定义如下：从未占用的格子开始，根据其排名将站点逐个占用，即首先选择高度最大的站点，然后是第二个站点，依此类推。在每一步中，被占用地点的比例 p 增加与地球地势景观中地点总数 N 的倒数。通过此过程，在每个 p 处连续获得已占用站点的配置。在这里，ETOPO1 全球地貌模型中的所有网格点都根据其高度 h(ϕ(i),θ(i))从最大值到最小值进行排序。在下文中，由于地球的球形性质，[[渗流]]陆地（海洋）团簇 s的大小是根据方程 (129) 计算的。每个分数 p 的第 i个间隙 g(i) 的大小定义如下：
$$g_i(p) \equiv s(p) - s\left(p - \frac{1}{N}\right).
$$
具体来说，这里的 g(1) 表示最大的间隙，g(2) 表示第二大间隙，依此类推。间隙 g(i) 越大，合并前的两个集群就越大。图40a显示了最大陆地团团 s 的动力学演变与占用节点 p 分数的函数关系。研究发现，地球的救援网络经历了几次突然的且具有统计学意义的[[相变]]，即在阶次参数 s 中表现出不连续性。图40b 显示了[[渗流阈值]]处的网络集群陆地结构（就在最大间隙 g(1) 之前）。结果显示，在这次跳跃之前，该网络由四个主要群落组成：最大的一个是非洲-欧亚大陆陆地，第二大集群是美洲，第三个位于南极洲，第四个是大洋洲。值得注意的是，在当前海平面下，存在一个关键节点 (64.458333°N,171.141667°W)它连接了[[渗流阈值]] pc≈0.321 的最大和第二大团簇，海拔高度 h=−43 m。
[图片]
图38. 通过降低海平面实现陆地块簇聚合的示意图。如果节点对应的高度高于给定阈值h，则该节点被占据。不同颜色代表不同的簇。
来源：参考文献[127]中的图。
[图片]
图39. 地球地形的[[渗流]]分析。(a) 最大岛屿（圆圈）和最大海洋（三角形）的相对表面积随海平面的变化。陆地临界水平接近当前海平面h = 0，而海洋临界水平接近h = ↔3287米的水平，在该水平上岛屿和海洋的总表面积相等。(b) 关联长度ς和平均岛屿大小⇁随海平面的变化。虚线标记了当前平均海平面处的几何[[渗流]][[相变]]。
来源：转载自参考文献[127]的图。
[图片]
图 40.地球地形的[[渗流]]分析。（a）最大的陆地群相对大小 s 是真实（绿色）和洗牌（红色）地球地貌记录的总陆地量分数 p 的函数。g(1) 表示方程 (132) 中定义的五个最大间隙。g(5)（b）渗透阈值处地球表面地形网络的陆地群快照，p=0.321。星号表示关键节点。
同样的分析也适用于海洋团簇，即节点根据其高度等级按升序逐个占据。它还导致在[[渗流阈值]] p(c)≈0.379 处，高度水平 h=−3621 m 时，海洋顺序参数出现不连续跳跃。这与参考文献 [127] 中报告的结果 h=−3640 m 非常接近。请注意，临界节点 (59.908333°S, 161.308333°E) 连接大西洋+印度洋板块和太平洋板块。值得注意的是，最大的团簇在陆地结构上的作用与在海洋结构上的作用不同。这些差异揭示了地球地形（大陆）和测深（海洋）的[[复杂]]和不同结构。这种二分法表现在众所周知的地球地形双峰分布[361]。
为了证明地球地貌网络中[[渗流]][[相变]]的顺序，通过改变节点的分辨率进行了有限尺寸效应分析。对于给定的[[系统]]尺寸 L，计算最大间隙 g(1)(L)此处，L 定义为可用区方向上的节点数。根据方程(49)，如果 g(1) (L) → 0 当 L → ∞，则假设相应的巨团簇存在着连续[[渗流]]; 否则，假设相应的[[渗流]]是不连续的 [147][153]。此外，还研究了[[渗流阈值]] [就在最大间隙 g(1)] s(c)(L)序参量的大小 [见方程 (51)]。结果如图 41a 和 b 所示，它们表明存在不连续的[[渗流]]，因为（1） g(1)(L) 往往是一个非零常数;（2） d(f)− d = 0，也表示不连续的[[渗流]]。为了进行比较，还考虑了从原始数据的洗牌（空间随机化高度剖面）中获得的随机地形（见图41a 和 b）。洗牌情况的数值结果表明，已知临界指数 β∕ν = 5∕48 ≈0.104 和 d(f) = 91∕48 [106][107] 的连续[[渗流]]跃迁，正如在长程关联被破坏时所预期的那样。
为了揭示不连续性的起源，樊京芳等人[130]进一步研究了Hurst指数H [362][363]在二维fBm表面上的[[渗流]]。参数 H 通常介于 0 和 1 之间，其中 0 表示噪点非常嘈杂，而 1 表示更平滑。地球的粗糙表面可以通过 fBm [364]进行建模，地球大陆地形的估计值为 H=0.66 [348]。接下来，对 H=0.66 的 fBm 表面进行[[渗流]]分析。与真实网络类似，最大的集群 s 也在 p≈0.3 附近表现出突然的转变。最大间隙 g(1)(H, L)的平均值）作为[[系统]]大小 L 的函数如图 41c 所示。研究发现，H=0.66 的 fBm 表面上的[[渗流]]是不连续的，因为当 L→∞时g(1)(H, L) 往往是一个非零常数。对应于位点[[渗流]]演变过程中最大间隙的[[渗流阈值]] p(c)(H, L) 如图 41d 所示。这些值是稳健的，并且与实际数据非常吻合，其中 p(c)≈0.321 [见图38]。这表明[[渗流]]和 fBm 相结合的方法可以用作研究地球表面地形的有效工具
[图片]
图 41.地球救援网络中[[渗流]]的有限尺寸分析。（a）原始真实数据（红色）和随机数据（蓝色）的最大间隙 g(1) 与网络[[系统]]大小 L 的双对数图。（b）对于实际数据（红色）和随机数据（蓝色），在[[渗流阈值]]处最大陆地群相对大小 s(c) 与 L 的双对数。（c）最大跳跃 g(1)(H, L) 的平均值与[[系统]]大小 L 的函数关系;（d）在 Hurst 指数 H=0.66 的 2D 分数布朗运动表面上渗透的相应[[渗流阈值]] p(c)(H, L) 与 L 的函数关系。
3.3. 地震[[系统]]
地震是困扰社会的最具破坏性的自然灾害之一。因此，在不同时间尺度（几天到几十年）进行可靠和熟练的地震预报对于建立合理的地震风险降低[[策略]]以及增强准备和恢复至关重要。地震过程是一种[[复杂]]的时空现象，被认为是[[自组织]]临界[[系统]]的一个案例，其中事件以大小范围广泛的级联形式发生，每个事件都由破裂过程的精细细节决定。尽管在 20 世纪下半叶取得了快速发展，但地震的研究与许多其他[[复杂]][[自然系统]]的科学一样，仍处于探索和发现的初级阶段。科学挑战在于如何理解既深刻又实用的地震现象，特别是对特定事件[[规模]]、位置和时间的确定性预测。最近，基于地震发生的统计模式的概率预测成为一个更加现实的目标，并已在全球倡议中得到积极探索和尝试 [36]。
在本节中，我们将首先介绍地震发生的现象定律，并简要讨论[[标度不变性]]和事件间隔分布。然后，我们将回顾如何应用[[统计力学]]方法（记忆分析）来提高真实地震目录的预测能力。(PS.记忆分析常用于非平衡态[[系统]]的演化，因其具有记忆，往往具有非马尔可夫性，其行为依赖于过去的历史过程)
3.3.1. [[标度不变性]]和事件间隔分布
首先，我们介绍一些表征地震发生的基本量。这些信息，如发生时间、震源位置、地震震级和深度，通常在不同地理区域的在线地震目录中报告，例如，美国地质勘探局（USGS）地震目录。我们在这里介绍这些量的统计分布的主要现象学定律。
[图片]
图 42.以色列地震目录的古腾堡-理查德定律。（a）所选区域内发生的事件地图。（b）作为量级函数的累积数。橙色线是基于方程 (133) 的分布拟合，a=5.36 和 b=0.97。

描述地震大小的最常见方法是使用里氏震级 m，它采用地震仪测量的地面位移的对数，并应用随地震到地震仪的距离而变化的校正中[365]。裂缝区 L 的特征大小以及断层持续时间 τ 都可以用 L∝τ∝100.5m 的大小来表示。
接下来，我们将给出一些已被充分确立的地震经验基本定律。在地震学中，古登堡 - 里克特（GR）定律描述了在任何给定区域和时间段内，震级大于或等于m的地震震级m与累积数量N之间的关系，该关系呈现出指数衰减[366]。
$$\log N = a - bm$$
其中 a 和 b 是拟合参数。我们以以色列地震目录的古腾堡-里查德定律(GR law)为例，如图42所示。古腾堡-里查德定律的 b 值是使用 Marzocchi 和 Sandri [367] 描述的方法计算的。发现该值等于 0.97±0.02。拟合线的截距定义解释所选区域的地震率的 a 值。在我们的例子中a=5.36。正如预期的那样，不同的数据表现出不同的地震活动水平，由震级范围和事件总数量化，对应于常数 a 的不同值。相反，参数 b 似乎与地理区域和时间间隔完全无关。典型的实验结果为构造地震提供了 b≃1。
第二条经验定律，即大森定律，由地震学家大森于1894年首次描述[368]，
$$n(t) = K / (c + t)^p$$
其中 n(t) 是余震率，t 是主震发生后经过的时间;K 和 c 是经验常数，分别控制余震总数 n(t) 和幂律衰减的开始。p 是第三个常数，它修改衰减率，通常在 0.7-1.5 的范围内。
$$n_A \propto 10^{\alpha_M m_M}$$
事件的震级对其触发的余震数量的影响是可以理解的，即主震震级越大，触发的余震总数就越多。这一特性被称为生产率定律，它表明属于某一序列的余震数量n_A[式(134)的积分]随主震震级mM呈指数增长，
对于群体型活动，α(M)参数通常较小，而对于清晰的原发性余震序列，α(M)参数通常较大。
在过去的几十年里，地震事件间隔分布引起了人们的广泛关注和讨论，因为它被认为具有通用的标度形式[370]。Bak 等人首次提出了地震之间等待时间的统一标度律，表达了时间、空间和震级的分层组织。他们考虑了加利福尼亚的地震目录，并用大小为 L×L 的像元网格覆盖了该区域。然后，他们分析了每个单元的事件间隔，并计算了大小大于 m=log(S) 的时间间隔 P(S,L) 的直方图;对于不同的 L 值和最小震级，重复此作（见图43a）。研究发现，如果他们用重新缩放事件间隔 T（其中 b 是古腾堡-里查德 b 值，d(f) 是空间[[分形]]维度），并通过 T(α) 重新缩放 P(S,L)，其中 α 是一些指数，则等待时间的分布似乎都坍缩到一条曲线上（图43b）。因此，其标度假设表示为
[图片]
图43. 地震的统一标度律。(a) 加利福尼亚曲库中，线性尺寸为L的区域内震级m大于log10 S的地震之间的间隔时间T的分布PS,L(T)。(b) 对于(a)中T > 38 s的数据，标度函数（见式(136)），以T 0PS,L(T)重新标度，作为变量x = cTS↔bLdf的函数，其中c = 10↔4。数据塌缩意味着地震存在统一规律。实心圆、正方形和三角形分别对应震级截断值Mc = 2、3和4。颜色编码表示单元格的线性尺寸L = 0.25∈（黑色）、0.5∈（红色）、1∈（绿色）、2∈（蓝色）和4∈（橙色）。
来源：转载自参考文献[370]的图。

然后，他们分析了每个单元的事件间隔时间，并计算了事件间隔时间PS,L（其震级大于m = log(S)）的直方图；针对不同的L值和最小震级重复进行此操作（见图43a）。研究发现，如果他们将事件间隔时间T按S↔bLdf（其中b是古登堡 - 里克特b值，df是空间[[分形维数]]）进行重新标度，并将PS,L按T 0（其中0是某个指数）进行重新标度，等待时间的分布似乎都收敛到一条单一曲线（图43b）。因此，标度假设可表示为
$$T^\alpha P_{S,L}(T) = f\left( TS^{-b} L^{d_f} \right)$$
其中0⇔1可被确定为余震的大森定律指数，b⇔1是古登堡 - 里克特定律中的b值，df⇔1.2描述了投影到地球表面的震中位置的二维[[分形维数]][370]。
随后，科拉尔[371]发现，事件间隔时间ϑ的概率密度函数Dxy(ϑ)可以简化为标度形式
$$D_{xy}(\tau) = R_{xy} f(R_{xy} \tau)$$
其中Rxy代表指(x, y)区域的平均地震发生率。标度函数f可以用广义伽马分布来表示，
$$f(\theta) = C \frac{1}{\theta^{1 - \gamma}} \exp\left(-\theta^\delta / B\right)$$
参数 ↽ = 0.67 ± 0.05、( = 0.98 ± 0.05、B = 1.58 ± 0.15 和 C = 0.50 ± 0.10。科拉尔通过考虑来自国家地震信息中心（N[[EI]]C）13的全球曲库和几个本地曲库的数据验证了上述标度假设：南加州地震中心（SCEC）14、日本大学网络地震曲库（JUNEC）15、IGN公报（伊比利亚半岛和北非）16以及英国地质调查局曲库（不列颠群岛和北海）17。不同地理区域和不同震级下限值的事件间隔时间分布可以合并为一个通用标度函数，如图44所示。
Bak 和 Corral 是通用标度律思想的两个主要支持者。标度关系 Eq. (138) 的有效性引起了人们的极大兴趣。例如，Saichev 和 Sornette [372] 根据传播型余震序列（ETAS）模型进行了广泛的分析，以确定事件间隔分布（详见下一节），他们发现它只是[[近似]]普适的，并且是伽马形式的，假设方程 (134) 中的 p的值接近 1，地震活动的分支率（每个事件触发的平均事件数）约为 0.7-1。然后 Molchan [373] 发表了一项关于地震事件间时间的严格数学研究，并证明如果标[[度分布]]函数是普适的，则函数形式必须服从指数函数。Touati et al. 分析了真实数据（SCEC 目录）和 ETAS 模拟数据的分布变化，并认为它不是通用的 [374]。他们已经表明，该分布是一种双峰混合分布，在较短的等待时间内由相关余震主导，在较长的时间内由独立事件主导。
[图片]
图44. 有无重新缩放的复发时间分布。(a) 来自N[[EI]]C全球曲库的概率密度。(b) 重新缩放后的先前数据，拟合了缩放函数f，见式(138)。
来源：转载自参考文献[371]中的图。
3.3.2. 通过点过程方法对地震事件序列进行建模
有多种统计地震模型可用于描述地震的发生过程，可用于实时地震预报[375]。这些模型的原理是通过使用点过程方法评估地震发生的概率。在众多模型中，描述主震、前震和余震地震聚集特征的ETAS模型已成为检验假设的标准模型和短期地震预报的起点[376] [377] [378] [379]。
在这里，我们将重点介绍用于生成合成地震目录的 ETAS 模型。ETAS模型是由绪方[369][380]和[381]开发的，他们观察到地震活动可以通过古腾堡-理查德定律 (133) 和大森定律 (134) 很好地进行描述。ETAS 模型中的条件率由下式给出：
$$\lambda(t \mid \mathcal{H}_t) = \mu + A \sum_{\substack{i: t_i < t}} \exp[\alpha_M (m_i - M_z)] \left( 1 + \frac{t - t_i}{c} \right)^{-p}$$
其中t(i)是过去事件发生的时间，m(i)是它们的震级大小，是发生的历史。提供在给定地震历史的情况下，在时间t发生地震超过阈值震级M(z)的概率。其中，A = K/c(p)是大森定律中零滞后时地震的发生率，a(M)为方程(135)中定义的繁殖率参数。ETAS模型也可以用随机积分的形式来写[382],
$$\lambda (t \mid \mathcal{H}_t) = \mu + \int_{m_1}^{\infty} \int_{0}^{t} \frac{K}{(t - s + c)^p} \cdot e^{\alpha_M (m - M_z)} N(ds, dm)$$
其中 N(ds, dm)=1，如果一个无穷小的元素 (ds,dm) 将包含某个 i 的事件 (t(i), m(i))，否则 N(ds,dm)=0。(μ, A, c, αM, p) 这 5 个参数代表了该区域地震活动的一些特征。因此，它们在空间上有所不同，在某些情况下也在时间上发生变化。
然后，使用条件强度函数将ETAS模型扩展到时空相位[383]，
$$\lambda (t, x, y \mid \mathcal{H}_t) = \mu(x, y) + \sum_{\substack{i: t_i < t}} \kappa (m_i) g (t - t_i) f \left( x - x_i, y - y_i \mid m_i \right)$$
其中 μ(x, y) 仍然是背景强度，它是空间的函数，而不是时间的函数; κ(m) 是由震级为 m 的事件触发的预期事件数，格式为，
$$\kappa(m) = A \exp\left[ \alpha \left( m - M_z \right) \right]$$
g(t) 是触发事件发生次数的概率密度函数，
$$g(t) = \frac{p - 1}{c} \left( 1 + \frac{t}{c} \right)^{-p}$$
f(x,y|m) 是触发事件的空间分布，可以用以下两种方式表示：短程高斯衰减，或是长程逆幂律衰减，
$$f(x, y \mid m) = \frac{1}{2\pi D^2 e^{\alpha_M (m - M_z)}} \exp\left[ -\frac{x^2 + y^2}{2D^2 e^{\alpha_M (m - M_z)}} \right]$$
ETAS模型已成功用于业务地震预报，例如[[复杂]]的阿马特里切-诺尔恰地震序列[384]、日本地区[385]和加利福尼亚地区的次日地震预报[386]。关于用点过程方法模拟地震时间序列的更多一般性讨论，请参见参考文献 [387]。
[图片]
图45. 加利福尼亚曲库中地震发生间隔时间的去趋势波动分析。(a) 针对所有震级M′≥2的地震，(b) M′≥3的地震。黑色圆圈表示SCEC曲库（1995 - 1998年），红色方块表示NCSN曲库（1995 - 1998年），蓝色三角形表示一个人工的古登堡 - 里克特分布相关数据集，其中γ0 = 0.8。空心符号表示DFA0结果，实心符号表示DFA1结果。相应的斜率由直线表示，γ0⇔0.75。
来源：参考文献[388]中的图。

3.3.3. 记忆分析
在本小节中，我们将回顾已应用于地震记录的记忆分析手段。第一种方法是所谓的去趋势波动分析（DFA），用于检测不同时间序列的长期相关性或长期记忆，如DNA序列和气候记录[180]。DFA 的详细信息在第 2.3.3节中提供。根据方程(70),如果时间序列具有长期记忆，则波动函数 F(n) 根据指数α的幂律关系增长。Lennartz等[388]首次将DFA应用于地震的发生时间。他们通过在 SCEC 目录（1995-1998）和 NCSN 目录（1995-1998）上采用去趋势波动分析 DFA0 和 DFA1 的前两个顺序来测试真实和合成记录的长期相关性。他们发现，加利福尼亚目录中的地震事件之间存在长期记忆，表现为震级和出现时间的特征波动。DFA0 和 DFA1 都产生了 DFA 指数 α≈0.75，与阈值 M(z) 和地震目录无关，参见图45。
樊京芳等人[212]已将类似的分析DFA2应用于真实的以色列和意大利目录。他们发现，对于具有不同震级阈值 M(z) 的地震事件之间的相互出现时间序列，指数α也非常接近 0.75。图46a-d 显示了 DFA2 结果。他们还对其他地震变量进行了 DFA，例如地震事件的数量和粗略时间窗口 dt 内释放的能量。地震的能量定义为
, 其中 E(t) 表示在 t 和 t+dt 之间发生的事件数，M(l)(t) 表示事件的震级。为了处理更均匀的时间序列，樊京芳等人将S(t)>1切换到s(t) = log(S(t))，将S(t)≤1切换到零，将E(t)>1切换到e(t)=log(E(t))，将E(t)≤1切换到零[212]。接下来，对以色列和意大利震级目录中具有不同时间窗口 dt 的时间序列 s(t) 和 e(t) 应用 DFA 分析进行了测试。结果发现，对于这两个区域和所有研究的幅度，标度指数 α 的值都非常稳健 ∼0.75，即 dt 的大小不会影响内存指数α。因此，返回间隔、事件数量和释放的能量是显著的长期相关的，并且具有非常相似的标度指数。记忆分析也已应用于 ETAS 模型。出现次数的 DFA2，参数A=6.26，μ=0.2，p=1.1，α(M)=1.5 和 c=0.007，见方程(139)，得到 α≈0.75，如图 46e 所示。
另一种研究地震发生时记忆的常用方法称为条件概率（CP），由 Livina 等人 [389] 提出。考虑到重现时间间隔的时间序列，他们按升序对其进行排序并将其分为四个 25% 的分位数;即，第一个分位数 Q(1) 表示最短的 25% 的等待时间，依此类推。研究了重现时间 τ 的分布，它遵循先前的重现时间 τ(0) ，P(τ |τ(0))其中的 τ(0) 属于极值的分位数之一，即 Q(1) 或 Q(4)。请注意，对于没有记忆的记录，P(τ|τ(0)) 应独立于 τ(0)，并且应与 P(τ) 相同。对于真实数据，Livina 等人发现 P(τ|τ(0)) 强烈依赖于前一个重现时间 τ(0)，因此短的重现时间引发了短的重现时间，长的重现时间紧随着长的重现时间（见图47a、c 以色列和意大利目录）。为了量化和测量记忆水平，樊京芳等人分析了重现时间的累积分布函数（CDF），并将 Q、Q(1) 和 Q(4) 的 CDF 分别表示为 CQ(τ)，CQ(1)(τ) 和 CQ(4)(τ)。Q(1) 的记忆强度定义为：
$$\rho_1 = \int \left( C Q_1(\tau) - C Q(\tau) \right) d\tau \bigg/ \int d\tau$$
同样，Q(4) 的记忆等级为
$$\rho_4 = \int \left( C Q_4(\tau) - C Q(\tau) \right) d\tau \bigg/ \int d\tau$$
因此，0≤ρ(1)≤1 和 −1≤ρ(4)≤0 以及更高的 |ρ(1)|（或 |ρ(4)|）意味着更强的记忆以及，而 ρ(1)=0（或 ρ(4)=0）意味着没有记忆。结果如图 47b 和 d 所示，用于以色列和意大利的地震目录。他们发现以色列目录的Q(1)和Q(4)为ρ(1)=0.248,ρ(4)=−0.193，而意大利星表的Q(1)和Q(4)为ρ(1)=0.260,ρ(4)=−0.153[212]。进一步的研究表明，ρ 的值是稳健的，并且不依赖于 M(z)。为了研究相关性（α、ρ(1) 和 ρ(4)）对地理位置（构造环境）的依赖性，他们对其他地震目录进行了 DFA 和 CP 分析，包括新西兰、南加利福尼亚地震中心、日本统一高分辨率地震重新定位目录和震中初步确定全球地震目录。目前已经发现，对于所有目录和所有研究的震级中，α、ρ(1) 和 ρ(4) 的值都非常稳健。
[图片]
图 46.来自以色列、意大利和 ETAS 目录的出现间期序列和 DFA。（a）使用震级阈值 M(z) 的以色列（a）和意大利（b）目录中的地震事件之间的出现时间序列。来自不同 M(z) 值的（c）以色列和（d）意大利星表的出现时间的 DFA。（d） ETAS模型出现时间的DFA，参数A=6.26，μ=0.2，p=1.1，α(M)=1.5以及c=0.007，见方程(139)。实线是坡度 α=0.75，R-square>0.99 的最佳拟合线。为了进行比较，斜率 α=0.5 的清洗数据表示没有记忆，显示在图（d）中
[图片]
图 47.以色列、意大利和 ETAS 目录的内存分析。（一、三、五）对于高于阈值 M(c) = 2.0 的（a， b）以色列目录、高于阈值 M(c) = 3.0 的（c， d）意大利目录和（e， f）高于阈值 M(c) = 2.0 的（e， f） ETAS 目录的重现时间 τ 的条件 PDF 和（b， d， f） CDF。

最后，通过测量系数 α、ρ(1) 和 ρ(4)，在 ETAS 模型中进行内存分析 DFA2 和 CP，如图46、47所示。结果表明，实证观测的地震记忆（对于以色列目录）只能针对模型的一小部分参数进行再现。此外，ETAS模型中的记忆起源受以下因素影响：（i）模型的背景（噪声）率的参数μ，通过时间重叠的余震子序列的干扰来影响记忆，即较小的μ导致更强的记忆性，以及（ii）分支比：将余震的产生与震级相关的指数， α(M) 和大森定律的幂指数p 也可以通过 ETAS 模型的分支比来影响记忆，即较小的 p 和较大的 α(M) 导致更强的记忆性（参见参考文献 [212]中的图 11 和 12）。
最近，Zhang等人引入了一种滞后CP方法，以研究地震事件间期和地震距离中可能的长期记忆[390]。时间和距离的 CP 分别定义为 ρ(τ(k)|τ(0)) 和 ρ(r(k)|r(0))，其中 τ(0)(r(0)) 属于 Q(1) 或 Q(3) 组。τ(k)(r(k)) 是 τ(0)(r(0)) 之后的滞后第 k个事件间隔。为了量化以及水平，引入了 S(τ(k)|τ(0)) ≡ 1−s(13)，其中 s(13) 是 PDF 在 Q(1) 和 Q(3) 之间的公共区域。这里S(τ(k)|τ(0))(
)∈ [0,1]。类似地，S(r(k)|r(0)) 表示事件时间间隔的记忆等级。有趣的是，已经能够表明 S(k) 可以用以下标度形式表示，
$$S(k) = L^{-d_u} F(k \cdot 10^{b M_z}) 10^{a M_z}$$
其中 d(u) 和 a 是常数，b=1 表示古腾堡-理查德定律。意大利目录中 S(τ(k)|τ(0))、S(r(k)|r(0)) 及其相应的标度函数的分布函数如图48 所示，其中 d(u )= 0.14 和 a = 0.09 表示事件间时间 τ; d(u)=−0.08 和 a=0.24 的事件间距离 r。图48c 和 d 中显示的标度函数表明 F(x)∼x(−γ) 的两个不同的幂律关系之间存在交叉。两种标度函数在
处都表现出显著的交叉。这些结果表明，不同网格大小和不同震级阈值的记忆测量可以重新缩放为单个函数。然而，研究发现，ETAS模型中的记忆函数与真实地震目录中的记忆函数有很大不同，即与真实地震目录相比，该模型的记忆在短（长）时间尺度上更弱（更强）。此外，该模型在真实目录中没有表现出明显的交叉。
3.3.4. 地震预报
地震是世界上最具破坏性的自然灾害之一。熟练可靠的地震预报目前依旧是我们的最终目标。地震预测一词通常是指未来地震的发生时间、位置或震级。然而，“地震预报一词通常是指在以点为中心的体积 Σ 的超级单体内对地震发生概率 P(Σ) 的评估。因此，基本量是以时间 t 处可用的整组信息 ℓ 为条件的发生概率 [36]。在以先前历史为条件的第 k个区间内，在时间 t 发生地震的概率为
$$P\left( \zeta_k = 1 \vert \mathcal{H}_{t_k} \right) = \lambda \left( \vec{\omega}_k \vert \mathcal{H}_{t_k} \right) d\Sigma + \mathcal{O} \left( d\Sigma^2 \right),$$
其中 λ 是 Eqs (139)或(141)中定义的局部条件率。表示第 k个单元格的中心。预测概率 P(Σ) 是发生率在 Σ的积分，取决于超单元格 Σ 的体积，即 Σ 越小，λ 的评估越准确。其次，Σ 的时间延伸 T 也影响着预测精度。根据 T 的时间尺度，可以任意区分长期和短期预报[391]：地震长期预报T几十年到几个世纪的间隔内; 中期预测，对于月级的 T，以及短期预测, 几秒钟到几周的间隔内的 T。短期预报通常细分为地震后预报和地震前预报，指的是主震的余震和前震。值得注意的是，从风险管理的角度来看，地震后预报仍然非常重要，因为余震的大小可能与其触发的主震相当，甚至更大。然而，从工程的角度来看，长期预测可能是最相关的，例如城市规划风险评估。根据早期预警前震观测，可以成功预测一些大地震，例如 1975 年中国海城地震[392] 和 1995 年希腊科扎尼-格雷韦纳地震[393]。然而，大多数地震并不表现出明显的前兆模式，例如，2004 年帕克菲尔德（加利福尼亚州）地震[394]。因此，对前震或前兆模式的评估仍然是一个悬而未决的问题。由于大多数地震模型都是基于公认的经验定律，即余震时空发生聚类，因此作为ETAS模型，它们在某种程度上只能为长期和震后短期预报提供可靠的风险评估，而不能为前震提供可靠的风险评估。尽管如此，如何验证预测模型仍然非常重要。在下文中，我们将回顾评估地震预测和地震预报的各种方法。
接收者操作特征曲线(ROC曲线)
接收者操作特征曲线（ROC）图是一个图形图，说明了二元分类器[[系统]]在其鉴别阈值变化时的预测质量。为了评估地震预测，如果预期会发生地震（“YES”），概率为 P(Σ)>P(t)，其中 P(t) 是阈值，如果事件已发生，则我们称其为命中;如果单元中没有预期到地震（“NO”），如果发生了事件，我们称其为 miss。每个没有观察到相应地震的 “YES” 预测都是误报，而每个没有发生地震的 “NO” 预测都是正确的拒绝。在此表示形式中，警报声明和事件观察有四种可能的组合，请参阅表1了解每种意外事件的数量。在这里，我们将 a 定义为命中数，b 定义为误报数，c 定义为未命中数，d 定义为正确拒绝数。我们将真阳性率（TPR）定义为
$$TPR = \frac{a}{a + c},$$
和假阳性率（FPR）为
$$FPR = \frac{b}{b + d}.$$
当 TPR 和 FPR 一起绘制在正方形 [0,1] × [0,1] 上时，得到的度量称为 ROC，而完美预测对应于坐标为 TPR = 1 和 FPR = 0 的点，对角线表示随机猜测的长期行为。可以通过连续改变 P(t) 来获得完整的 ROC 曲线。这里我们以图49中的[[深度学习]]方法为例，展示了一条余震预测 ROC 曲线。
[图片]
图 48.来自意大利目录的事件间时间和距离的滞后 CP 内存分析。内存测量（a） S(τ(k)|τ(0))和（b） S(r(k)|r(0)) 作为滞后指数 k 的函数。重新调整了事件间隔和（d）距离的记忆测量（c）。不同颜色表示不同的网格大小 L。符号的形状表示不同的幅度阈值 M(z)。
莫尔昌图
与ROC密切相关的是莫尔昌图（Molchan diagram），它是一种误差图，可用于比较测试模型和另一个通用参考模型的预测结果[396]。它是误报率（M = 1↔ TPR）与警报或“是”预测所占据的实验时空体积分数F的关系图。莫尔昌图中的最佳预测是点（F = 0，M = 0）。特别地，在已观测到n次目标地震的情况下，偶然获得h次或更多次命中的概率由[[二项分布]]描述。
$$\Gamma_M = \sum_{i=n}^{n} \left[ \binom{N}{i} F^i (1 - F)^{n - i} \right]$$
其中$$\binom{N}{i} $$表示二项式系数。通过固定$M$并连续改变$F$，可以在莫尔昌图中得到一条置信度曲线。因此，非常小的$M$值表明警报集具有较高的技能。
数字检验(N检验)
N检验用于了解预测的地震总数N(forcast)与观测到N(obs)的事件数的[[匹配]]程度[397]。假设目标地震服从广义[[泊松分布]]，负二项式分布（NBD）的质量函数可以表示为[384]
$$f(n; r, p) = \frac{\Gamma(r + n)}{n! \Gamma(r)} p^n (1 - p)^r,$$
其中 Γ(r) 是 Gamma 函数，n 是目标地震的次数，r,p 是分布的两个参数。那么 NBD 可以推导出为
$$f(n; r, p) = \int_{0}^{\infty} f_1(n; \lambda) f_2 \left( \lambda; r, \frac{1 - p}{p} \right) d\lambda,$$
其中 f(1)(n;λ) 是[[泊松分布]]，假设 λ 服从 Gamma 分布
$$f_2(\lambda; k, \theta) = \frac{\lambda^{k - 1} e^{-\frac{\lambda}{\theta}}}{\theta^k \Gamma(k)},$$
其中 k,θ 是 r=k 且 p=θ/(1+θ) 的 Gamma 分布参数。接下来，我们计算 gamma 分布的参数 k 和 θ。为了解释 N 检验结果，可以使用有效显著性值 α(eff) 的单侧检验，该值为 α=0.05 的预期显著性值的一半。图50c 显示了 N 检验的一个示例。
Space 检验（S 检验）
S 检验是一种似然检验，其中只考虑预测和观察的空间分布 [398]。S 检验可以用
$$\zeta = \frac{n \left\{ S_i \vert S_i \leq S, S_i \in S_s \right\}}{n \left\{ S_s \right\}},$$
其中 S(i) 是第 i个模拟的空间似然，S(s) 是模拟空间似然的集合，S 是相对于观测到的空间预测的可能性，n{A} 是集合 {A} 中的元素数。如果 ζ 小于临界显著性值 α，则观测到的空间分布与预测不一致。但是，接近 1 的值表示最佳空间预测。我们展示了图50a 中的 S 检验示例。
[图片]
图49. 基于神经网络的ROC曲线示例。(a) 绘制了真阳性率与误报率的关系。(b) 针对一个深度为10公里、长60公里的右旋走滑断层（红线）的合成案例。虚线对角线代表随机预测（零假设）。
来源：转载自参考文献[395]的图。
除了上述方法外，还有各种其他方法来评估预测模型的准确性，例如似然检验（L 检验）、似然比检验（R 检验）和幅度检验（M 检验）。关于地震预测和地震预报评估的指导性综述可以在参考文献[399]中找到。
如上一节所述，我们研究了真实星表和 ETAS 模型中地震中记忆的可能来源。在这里，我们将证明记忆分析可以显著提高真实地震目录的短期预测率。在估计给定地震目录的ETAS模型参数时，ETAS参数通常基于点过程最大似然（ML）方法、Davidon-Fletcher-Powell算法[380]或[[模拟退火]][400]与数据进行反演。例如，通过使用ML方法，可以得到μ=0.2、A=6.26、α(M)=1.4、p=1.13和c=0.007，参见方程(139), 意大利目录[400]。然而，当考虑内存时，ETAS模型可以再现与真实星表中相同的内存，但仅限于小范围的参数值，即μ=0.2、A=6.26、α(M)=1.5、p=1.1和c=0.007 [212]。作为一个测试案例，在2017年1月18日发生的Capitignano 5.7主震[401] 之后，使用ETAS模型预测了事件NC的累积数量。时间 t 的累积数是通过从 0 到 t 对方程 (139) 进行积分来计算的。这样，通过考虑记忆，可以将主震后 14 天内的预测精度提高 20% 以上。此外，Zhang等人最近提出了一种改进的广义ETAS模型，该模型准确地再现了短期和长期/距离记忆[402]。新的 ETAS 模型还被发现可以显著改善意大利和南加利福尼亚地震目录的地震预报。
表1 二元事件列联表
4.结论和观点
在本文中，我们回顾了[[统计物理]]学和基于[[复杂网络]]的技术，这些技术促进了我们对[[复杂]]地球[[系统]]（地球物理学中一个相对较新的分支）的了解。这些技术有助于解决对气候变异性、地球几何地貌特征和地震的理解和预测问题。在本节中，我们试图得出一些结论性评论，并讨论对未来研究仍持开放态度的观点。我们相信这些新颖的方法将引起相关领域科学家的注意。
在第 2 节中，我们首先描述了基于[[统计物理]]学的总体方法，用于分析[[复杂]]地球子[[系统]]的重要方面。它包括[[复杂网络]]、[[渗流理论]]、引爆点分析、熵理论和[[复杂性]]。尽管已经证明上述方法可以单独或组合地成功地应用于地球[[系统]]，但要开发一个适当和全面的框架，还有很多工作要做。在需要解决的不同开放问题中，我们强调了以下四个：（i）需要对潜在的物理机制收集更好的知识和理解;（ii）需要将 CN 的概念扩展到更全面的描述，例如多层气候网络 [403]。这是因为气候是一个耦合的多层[[系统]];（iii）需要发展[[气候系统]]中临界现象（[[渗流]]）的通用理论，特别是对于[[非平衡系统]];（iv）需要提出一个关于如何通过多个时空变量的时间序列来预测地球[[系统]]的[[临界点]]和熵的原则。
在第 3 节中，我们继续回顾了[[统计物理]]学方法在不同地球子[[系统]]中的应用。具体来说，第 3.1 节强调了五种天气和[[气候动力学]]情景，包括厄尔尼诺-南方涛动、印度夏季季风、极端降雨、大气环流和大西洋经向翻转环流。我们建议不断发展的 CNs （和其他组合方法）相互作用和模式可以作为新的预测因子，从而显着提高预测。除了上述情景外，CNs方法还被广泛应用于其他高影响现象，如大西洋年代际震荡的西向传播[99]、[[遥相关]][[路径]]的检测[62]、因果门户和中介的识别[404]、极端平流层极地涡旋状态的早期预测[405]、二氧化碳（CO2）对全球SAT的影响[406]等。尽管取得了巨大成就，但仍有许多与[[气候系统]]相关的未开发问题值得进一步关注。因此，需要进一步研究的主题，例如，（i）人类活动如何改变并继续改变地球的海洋和大气成分，其中一些变化对地球的能量平衡有直接或间接的影响，因此是气候变化的驱动因素;（ii）地球[[系统]]模型中的[[统计力学]]和 CNs 行为，范围从简单的能量平衡模型到一般环流模型;（iii）古气候中预估的短期和长期突变[[相变]]，特别是海冰和雪球-地球起源的作用[407]、[408]、[409];（iv）通过使用 CNs 方法提高包括雷暴、冰雹和龙卷风在内的强对流天气过程的可预测性。
在第 3.2 节中，我们回顾了当前关于地球表面地形的统计特征和渗透框架的文献。我们已经指出了地球救援[[网络演化]]过程中发生的突然转变的证据，这表明了大陆/团簇的聚集。通过分数布朗运动模型的进一步分析表明，长程相关性可能在地球上观察到的不连续性中发挥关键作用。这项研究可能有助于理解地球上的几何[[相变]]，但也可用于确定地球救援网络中未来全球变化的关键节点。特别是，（i）构造板块的未来运动，以及（ii）这些关键节点的动态演变至关重要，因此需要进一步解决。
在第 3.3节中，我们首先描述了公认的地震经验基本定律，包括 Gutenberg-Richter、Omori 和生产力定律。然后，我们讨论了事件间分布的缩放假设。还综述了流行病型余震序列模型（ETAS）和评估地震预测和地震预报的各种方法。最后，我们证明了两种提出的内存分析方法，DFA 和 CP，可以显著提高真实地震目录的短期预报率。尽管如此，地震预测研究一直饱受争议的困扰，它仍然是一个突出的挑战。除了改进短期余震预测外，我们还强调新方向的潜力。（i）引爆点和记忆分析在理论地震模型中的广泛应用，这些模型解释了加速的时刻释放和前震的发生以及其他前兆模式，其中主震被视为地震周期内的特征地震 [410]。（ii）开发地震预报模型，用于描述前震组织和记忆行为。（iii）在网络理论成功应用于气候现象预测的推动下，提出了基于发生时间序列的地震网络框架 [411]，特别是地震波（弹性体和剪切波）和直接地震波之前的弹性重力信号[412]。
本文回顾的基于[[统计物理]]学的方法的主要特征之一是能够更好、更可靠地预测[[复杂]]的地球现象，例如厄尔尼诺事件、安第斯山脉中东部的极端降雨、印度夏季季风、大西洋年代际振荡崩溃和地震的发生。此外，我们观察到[[人工智能]]和[[深度学习]]技术[413]近年来在许多领域都取得了巨大成功，例如[[统计物理]]学中的[[相变]][414]、[415]、[416]、数据驱动的地球[[系统科学]][417]、ENSO预报[294]、[295]、印度季风降雨[418]，以及余震模式预报[395]和地震探测[419]在地震[[系统]]中。事实上，我们有信心，基于网络和基于[[人工智能]]的技能的结合和互补将相互促进。例如，将[[机器学习]]应用于网络属性向量（产品相似性）可以预测成功和失败的公司，其准确性比当前最先进的市场预测技术要高得多[420]。此外，[[深度学习]][[系统]]可以被视为[[复杂]]的网络，因此可以深入了解学习过程中产生的计算图的结构和功能特性[421]。
最后，考虑到使用[[复杂网络]]理论分析社会、生态[[系统]]和经济的气候适应力，仍有许多方法的空间。我们目前缺乏合适的模型来更好地理解或预测极端气候/天气事件对相互依赖的关键基础设施日益增长的不利影响所引发的[[级联失效]][30]的影响。缩小这一知识差距对于开发实现气候和基础设施韧性的方法至关重要。另一个肯定会引起广泛关注的非常相关的研究主题是对[[复杂]]气候-健康关系的评估和量化。人们普遍认为，气候条件，包括温度和降水的时空分布，对人类健康有关键影响[422]。此外，某些疾病的发病率和爆发，如媒介传播（疟疾和登革热）疾病、持续的 COVID-19 大流行 [423] 和流感，都受到气候变化或环境的强烈影响 [424-428]。然而，在传统的流行病学模型[113] 中，如SIR、SIR和S[[EI]]R模型，气候影响往往被排除在考虑之外。我们需要强调的是，考虑到气候因素的传统流行病学模型可能是一条非常有前途的道路，可以更深入地了解流行病过程并评估气候变化对区域和全球的健康影响。

复杂地球系统的统计物理方法

2025-12-04T09:47:51Z

相信未来：

复杂地球系统的统计物理方法

[图片]
论文题目：Statistical physics approaches to the complex Earth system
论文地址：https://doi.org/10.1016/j.physrep.2020.09.005
作者 | Jingfang Fan, Jun Meng, Josef Ludescher, Xiaosong Chen, Yosef Ashkenazy, Jürgen Kurths, Shlomo Havlin, Hans Joachim Schellnhuber
译者 | 任鹏臻; 张清源
审校 | 杨明哲
编辑｜赵思怡
摘要：全球变暖、极端气候事件、地震以及伴随的社会经济灾难对人类造成了严重的威胁。然而，由于地球系统的非线性反馈、多重相互作用以及复杂结构等因素，在对此类灾难性事件的理解和预测方面，对于科学界和政界而言都构成了巨大的挑战。近年来，地球系统科学的兴起与发展备受关注，并催生了新理论框架。特别是基于统计物理学和复杂网络技术的创新方法不断涌现，显著深化了人类对地球系统的认知——包括气候极端事件、地震与地形特征研究——从而大幅提升了预测能力。本文全面综述了统计物理学与复杂系统科学方法（如临界现象、网络理论、逾渗理论、临界点分析和熵理论）在地球复杂系统研究中的应用进展。值得注意的是，这些融合性工具与方法为理解地球系统动力学提供了全新视角。本综述的核心目标，是向读者阐明统计物理学概念及理论如何推动地球系统科学领域的发展。
1. 引言（Introduction）
1.1 地球作为一个复杂系统（The Earth as a complex system）
地球作为一个综合系统运行，由岩石圈、大气圈、水圈、冰冻圈及生物圈等组分构成，这些组分之间及其内部存在非线性相互作用与反馈回路[1]。这些组分本身亦可视为自我调节系统，并能进一步细分为更专业的子系统。然而，随着对物理、化学、生物及人文过程间多组分相互作用认知的深化，学界日益意识到需要整合多学科视角，将地球视为整体系统进行研究。此类探索及其成果催生了一门新兴的"地球的科学"——地球系统科学（Earth System Science, ESS）[2]。ESS框架已展现出其作为强大工具的潜力，能有效揭示地球作为复杂系统的动态演化规律与结构特征。
地球系统科学（ESS）在20世纪早中期兴起，并于近数十年迅速发展。其历史演进可简要划分为四个阶段[2]：(i)先驱与萌芽期（20世纪70年代前）。地球的系统性本质主要通过概念性框架得以阐释，如维尔纳茨基提出的生物圈理论——强调生命体对地球物理化学特性的深刻影响[3]，以及洛夫洛克的盖亚假说——将地球视为协同自组织的复杂系统[4]。这些理论为当代地球系统认知奠定基石。1957—1958年国际地球物理年（IGY）更推动了两大现代范式的发展：现代气候学与板块构造理论[5,6]。(ii)学科奠基期（1980年代）。20世纪80年代，系列研讨会及会议报告首次提出将地球作为整体系统（Earth system）的新认知。其中美国宇航局（NASA）开发的布雷瑟顿图[7]，首次通过系统动力学方法耦合物理气候系统与生物地球化学循环。1987年世界环境与发展委员会发布的《布伦特兰报告》[8]确立可持续发展指导原则，并阐明环境问题对地球系统的重要性。此阶段还创立了多个国际组织：世界气候研究计划（WCRP）致力于气候可预测性及人类活动影响研究；国际地圈-生物圈计划（IGBP，1987年启动）协调全球与区域尺度下地球生物-化学-物理过程及其与人类系统的交互研究；政府间气候变化专门委员会（IPCC，1988年成立）为政策制定者提供气候变化科学评估。(iii) 全球拓展期（1990—2015年）。在IGBP等国际计划推动及布雷瑟顿图广泛应用下，ESS从"地球新科学"运动发展为全球性学科。国际全球环境变化人文因素计划（IHDP）同期成立，旨在整合社会科学对全球变化的研究。(iv)当代发展阶段（2015年至今）。21世纪ESS框架臻于成熟，并催生"未来地球"（Future Earth）计划——整合IGBP、IHDP等国际项目，其使命是通过科研创新加速全球可持续转型。如图1所示（参照文献[1]），我们梳理了标志ESS发展的核心组织、出版物、行动与事件。
在地球系统科学（ESS）的发展历程中，汉斯·约阿希姆·舍伦胡贝尔（Hans Joachim Schellnhuber）提出并发展了一个关于ESS的基本概念：在全球尺度上，自然与人类因素之间动态的、共同演化的相互关系[9]。他提出，地球系统E可以从概念上用以下数学形式表示：
$$E = (N, H),$$
其中 $$N=(a,b,c,...); H=(A, S)$$。该模型表明整个地球系统包含两个主要部分：$$N$$代表生态圈，$$H$$则被解释为人类驱动因素。$$N$$由一系列复杂相互作用的行星子系统组成，例如 $$a(大气圈, atmosphere),b(生物圈,biosphere),c(冰冻圈, cryosphere)$$等。而人类因素$$H$$更加微妙：$$A$$表示“物理”子成分，而“形而上学”的子成分$$S$$ 反映了“全球主体”的出现。这项工作为将人类动力学完全整合进地球系统提供了概念框架，并构建了对地球统一的理解。

目前有许多工具和方法支持 ESS 的演化发展。然而值得注意的是，它们可以被整合到三个相互关联的重点领域中：观测、建模与计算机模拟、评估与综合分析[2]。地球观测通常指的是仪器数据，例如气象站或极轨及静止卫星所收集的数据。然而，这类数据集最多只能回溯到过去一至两个世纪。为了拓展我们对数千甚至数百万年前的认识，气候代用资料填补了这一空白。这些代用记录包括珊瑚记录[10]、海洋沉积物[11]、石笋时间序列[12]、树木年轮[13]以及沃斯托克[14]和EPICA[15]冰芯记录，帮助我们更好地理解过去的地球系统。数学模型是当前理解和预测气候及地球系统的关键方法。这些模型从简单的概念性气候模型——能量平衡模型（Energy Balance Models, EBMs）[16]到更复杂的地球模型——通用大气环流模型（the General Circulation Models, GCMs）[17]不等。此外，综合评估模型（the Intergrated Assessment Models, IAMs）被设计用来将人类动力学作为重要组成部分纳入考虑，旨在理解人类发展和社会选择如何相互影响并与自然世界（包括气候变化）相互作用[18,19]。基于 GCMs，还开发了地球系统中间复杂度模型（the Earth systems Models of Intermdediate Complexity, EMICs），用于以较低的计算成本研究长时间尺度上的地球系统[20]。这些模型提供知识整合手段，从而探索跨越多个空间和时间尺度的地球系统的动态特性与基本机制。评估与综合分析在建立新的科学认识、连接科学界与政界、以及根据来自政治领域的反馈推动新研究领域方面也发挥了关键作用。

随着 ESS 的不断发展，一些新的概念和理论也应运而生，包括可持续性概念[21]、“人类世”（Anthropocene）[22]、“临界要素”（tipping elements）[23]、“行星边界框架”（planetary boundaries framework）[24]，如行星阈值和状态转变[25]等。总体而言，这些新理论和新概念为我们更好地理解和预测地球系统未来演变路径提供了强有力的方法论支撑。
[图片]
图1. 地球系统科学（ESS）发展的时间线示意图。该图展示了帮助定义和推动地球系统科学发展的一些关键组织、出版物、活动、事件和概念。
来源：改编自文献[2]中的图表。
1.2 为什么是统计物理学？（Why Statistical Physics?）
尽管地球系统科学（ESS）的迅速发展，极端气候事件和地震的本质及统计特性仍然难以捉摸并存在争议。此外，这些现象早期预警信号的存在仍然是一个重大的开放性问题。因此，在这篇综述中，我们将提出几种基于或源于统计物理学的新方法，以增强我们对地球系统可能如何演化的理解。特别是，从跨学科视角出发的统计物理学与地球系统的结合，导致了在预测气候系统和地震系统内的高影响力破坏性事件方面的能力有所提高。
统计物理学是物理学的一个分支，它大量借鉴了概率定律和许多相互作用成分的统计学原理。它可以描述具有内在随机性质的各种系统，旨在预测和解释宏观系统的可测量属性和行为。该领域已经被应用于包括物理、生物、化学、工程以及社会科学在内的多个问题的研究。需要注意的是，统计物理学并不关注每一个单独粒子的动力学，而是关注大量粒子的宏观行为。统计物理学的基本理论和思想在很多教科书中都有描述，如[26-28]。
赛斯纳在他的书[29]中这样描述统计物理学与复杂系统间的关系：“自然界中的许多系统过于复杂，无法直接分析。解决冰块中的所有原子运动——或者地震断层中的巨石，或是互联网上的节点——根本不可行。然而，这样的系统常常表现出简单而显著的行为。我们使用统计力学来解释这些复杂系统的简单行为。” 一个复杂的系统通常被定义为由许多相互作用的组件组成的系统。考虑到其组成部分和相互关系的多样性，地球系统可以被解释为一个不断进化的复杂系统。统计物理学的概念和方法可以渗透到地球系统科学中，特别是：(i)临界现象类似于临界元素：如果一个系统接近相变或临界点，则系统将崩溃并发生故障。(ii)分形概念用于描述地球的地貌、形状、海岸线和岛屿。(iii)地震过程被视为一种复杂的时空现象，并已被视为自组织临界性(SOC)范式。此外，地震活动在时间和空间维度上都表现出尺度特性。
复杂网络理论提供了研究复杂系统结构、动力学和功能的强大工具。同时，统计物理学提供了一个基本框架，并为理解复杂网络的许多属性带来了理论见解。从应用的角度来看，统计物理学已经引导了再现现实世界网络的全局和局部特征的零模型的定义。复杂网络理论是一个新兴的多学科领域，已应用于数学、物理、生物学、计算机科学、社会学、流行病学等多个领域。网络科学的思想也成功应用于气候系统，并揭示了其功能背后的有趣机制，从而催生了气候网络(Climate Network, CN)这一新概念的发展。CN中的节点代表可用的地理位置时间序列，尤其是规则的经纬度网格，而不同网格点间的非线性气候记录之间的相似性和因果关系则构成了CN的链接。这种基于数据的方法的发展正在提供调查气候变化模式和动态的全新途径。
在这篇综述中，我们将介绍如何在地球系统科学中应用统计物理学方法。特别地，我们的重点主要放在地球系统的表面，包括气候系统、地球地貌以及地震系统，但不包括整个行星内部。
1.3 报道概要（Outline of the report）
除了这一简要的引言部分外，本报告共分为三个主要章节。在接下来的第2章中，我们将首先介绍贯穿后续讨论的整体方法论。该部分涵盖了一些基础但较为理论性的主题，包括气候网络（CN）方法、渗流理论、临界点分析、熵理论以及复杂性理论。读者将在这一章中找到对一个综合性理论框架的尝试性定义，该框架将涵盖后文将详细探讨的各种不同情境和系统。第3章全面回顾了相关应用案例，特别是那些已在气候系统、地球几何表面地貌以及地震系统中进行研究的应用。最后，第4章提出我们的总结性观点与展望性想法。
2.方法论（Methodology）
2.1 气候网络 (Climate network)
二十多年来，复杂网络范式已展现出其作为多功能工具的巨大潜力，用于探索来自物理学、生物学、社会科学、经济学及许多其他领域中的复杂系统的动态和结构特性[37,40,47–52]。在网络理论的背景下，复杂网络是一种具有非平凡拓扑特征的图，这些特征在简单网络（如规则晶格（图2a）或随机埃尔德什–雷尼（Erdős–Rényi，ER）图（图2b））中并不存在。复杂网络理论的一个新特点是它能够将拓扑特征与系统功能及动力学联系起来。复杂网络理论已成功应用于许多现实世界的系统，并揭示了其功能背后的基本机制。研究还发现，许多现实世界网络都是无标度网络（图2c）[38,53]。
近年来，网络理论的思想也被应用于气候科学中，以构建气候网络（Climate Networks，CN）[43,44,54]。在气候网络中，地理位置（或网格点）被视为网络中的节点，两个网格点之间记录（时间序列）的相似性（因果性）水平则表示连接及其强度。各种气候数据，如温度、气压、风速和降水，都可以用来构建网络。气候网络方法可以研究全球不同地点之间的相互关系，从而代表气候系统的整体行为，例如能量和物质如何从一个地点转移到另一个地点。这些网络已被成功用于分析、建模、理解和甚至预测各种气候现象[44–46,55–70]。图3展示了气候网络的一个可视化示例。
我们首先介绍用于描述网络拓扑结构的一些定义、符号和基本量，然后概述如何构建一个气候网络。
[图片]
图2. 基本研究模型网络的特征。（a）一个规则的二维方格晶格，是最高度均匀的网络。（b）一个埃尔德什–雷尼（Erdős–Rényi，ER）网络，其度分布为泊松分布，其度异质性由平均度 ⟨k⟩ 决定。（c）一个无标度（scale-free，SF）网络，其度分布服从幂律分布，因此具有很高的度异质性。图（d）、（e）和（f）分别显示了二维方格晶格、ER 网络和 SF 网络的度分布情况。
[图片]
图 3.考虑到地球表面顶点的空间嵌入，地表气温气候网络的可视化。
资料来源图目参考文献[71]
2.1.1 网络特征 (Network characteristics)
在本节中，我们将回顾用于描述和分析网络的基本特征和指标，其中大部分来自图论[72]。图论是一个庞大的领域，包含许多分支，但我们在此仅介绍其中一小部分成果，重点介绍与复杂地球系统研究最相关的成果。网络，在数学文献中也称为图，是由边连接的顶点集合。顶点和边在计算机科学中也被称为节点和链接，在物理学中被称为站点和纽带，在社会学中被称为行动者和纽带[40]。在本综述中，我们将用 $$N$$ 表示顶点数，用 $$M$$ 表示边数，这也是数学和物理学文献中的常用符号。
邻接矩阵（The adjacency matrix）
我们将在本综述中研究的大多数网络，其任意一对顶点之间最多只有一条边，即不允许自边或自循环。在许多情况下，网络的一个简单表示方法是邻接矩阵 $$A$$ ，其元素 $$A_{ij}$$ 如下:
$$A_{ij} =
\begin{cases}
1 & \text{if there is an edge between vertices } i \text{ and } j, \\
0 & \text{otherwise.}
\end{cases}
$$
我们应该注意到，在邻接矩阵中，对角矩阵元素全部为零。在某些情况下，将边表示为有强度、权重或值（通常是实数）是有用的。这种加权或加值网络可以通过赋予邻接矩阵元素等于相应连接权重的值来表示。有向网络或有向图，又称数字图，是指每条边都有一个方向，从一个顶点指向另一个顶点的网络。这种边本身称为有向边。在这种情况下，邻接矩阵通常不是对称的，变成
$$A_{ij} =
\begin{cases}
1 & \text{if there is an edge from } i \text{ to } j, \\
0 & \text{otherwise.}
\end{cases}$$
度数（Degree）
网络中顶点的度是指与之相连的边的数量。我们用$$k_{i}$$表示顶点$$i$$的度。对于一个有$$N$$个顶点的无向网络，度数可以用邻接矩阵（公式 (3) ）表示为
$$k_i = \sum_{j=1}^N A_{ij}.$$
边数 $$M$$等于所有顶点的度数之和除以 2，因此
$$M = \frac{1}{2} \sum_{i=1}^N k_i = \frac{1}{2} \sum_{ij} A_{ij}.$$
无向图中节点的平均度$$\langle k \rangle$$为 $$\langle k \rangle = \frac{1}{N} \sum_{i=1}^{N} k_i = \frac{2M}{N}.$$
在有向网络中，度的概念更为复杂。在有向网络中，每个顶点或节点都有两个度。入度$$k_i^{\mathrm{in}}$$ 是连接到节点的入边的数量，出度 $$k_j^{\mathrm{out}}$$是连接到节点的出边的数量。根据有向网络的邻接矩阵公式 (3)，它们可以写成：请记住，有向网络中的边数等于所有顶点上的边的内向端总数，或等同于边的外向端总数。
$$k_i^{\mathrm{in}} = \sum_{j=1}^{N} A_{ij}, \quad k_j^{\mathrm{out}} = \sum_{i=1}^{N} A_{ij}.$$
请记住，有向网络中的边数等于所有顶点上的边的内向端总数，或等同于边的外向端总数。
度分布（Degree distributions）
度分布是可以直接测量的网络最基本属性之一，或者说是具有 $$k$$ 个连接（度）的节点的分数$$P(k)$$ 。厄尔多斯-雷尼(Erdős–Rény)网络 [73] 的一个著名结果是，它的度分布遵循泊松系数,
$$P(k)=\frac{e^{-z}z^{k}}{k!},$$
其中$$z = \langle k \rangle $$是平均度数。如图 2e 所示，尽管边的位置是随机的，但典型的随机图是相当均匀的，最大数量的节点具有相同数量的边。
然而，对实际网络（如互联网 [74]、WWW [38]、电子邮件网络 [75]、新陈代谢网络 [76]、航空网络 [77]、神经元网络 [78] 等）的阶数分布的直接测量表明，泊松定律并不适用。但它们表现出近似幂律的度分布：
$$P(k)=C k^{-\lambda}$$
其中 , $$C$$ 是归一化系数。常数 $$\lambda$$ 被称为幂律的指数。数值范围$$ 2 \leq \lambda \leq 3 $$ 是典型值，但也有可能略微超出这个范围，偶尔也会观察到 [79]。具有幂律阶数分布的网络被称为无标度网络。确定无标度特性的最简单方法是在对数-对数图上如图观察度分布直方图，2f 所示，看是否有一条直线。关于无标度网络的演化，已经提出了几种模型，每种模型都可能导致不同的集合。第一个提议是巴拉巴西和阿尔伯特的优先附着模型，即所称的巴拉巴西-阿尔伯特模型[38]。该模型的几个变体已被提出，见参考文献[80]等。
聚类系数（Clustering coefficient）
网络中节点在很短的范围内聚集在一起的程度用聚类系数来衡量。聚类的定义与网络中三角形的数量有关。如果共享一个邻居的两个节点相互连接的概率很高，那么聚类系数就很高。最常见的聚类系数定义方法是：
$$C = \frac{(\text{number of triangles}) \times 3}{\text{(number of connected triples)}}
$$
这里的 "相连三角形 "指的是三个节点$$uvw$$ ，并带有边$$(u, v)$$和 $$(v,w)$$。分子中的 3 因子是因为在计算网络中的连接三元组时，每个三角形会被计算三次。我们还可以通过定义单个顶点的局部聚类系数：
$$C_i = \frac{\text{the number of triangles connected to vertex } i}{\text{the number of triples centered on vertex } i}$$
也就是说，要计算$$C_i$$，我们要遍历所有与$$i$$相邻的不同顶点对，计算其中相互连接的顶点对数，然后除以顶点对总数。$$C_i$$表示一对相邻顶点的平均概率的朋友是彼此的朋友。对于阶数为或的顶点，其分子和分母均为零，我们假设 $$C_i = 0$$ 。那么整个网络的聚类系数 [37] 就是平均值$$ C = \frac{1}{N} \sum_{i} C_i $$。在两个情况下，聚类范围都是$$ 0 \leq C \leq 1$$ 。
子图（Subgraphs）
图 $$G_1$$由节点集合$$P_1$$和边集合 $$E_1$$ 组成, 即为图$$G = \{P, E\} $$ 的子图，如果$$P_1$$ 中的所有节点也是$$P$$ 的节点，并且$$E_1$$ 中的所有边也是$$E$$ 的边。子图最简单的例子是环、树和完全子图[81]。一个 $$k$$ 阶环是由 $$k$$ 条边组成的闭合回路，其中每两条连续的边（且仅有这两条边）有一个共同的节点。也就是说，在图形上，三角形是3阶环，而矩形是4阶环。环的平均度等于2，因为每个节点都有两条边。如图4a所示，树是一个连通的、无向的网络，不包含闭合回路。这里，通过“连通”我们指的是网络中的每个节点都可以通过网络中的某条路径从其他任何节点到达。河流网络是自然产生的具有有向连接的树的一个例子[82]。树最重要的性质是，由于它们没有闭合回路，因此任意一对节点之间只有一条路径。因此，树中的边数总是恰好为 $$k-1$$ 条边。$$k$$阶完全子图，也称为$$k-clique$$,包含$$k$$个节点和所有可能的 $$k(k-1)/2$$条边——换句话说，它们是完全连通的[见图4b]。
让我们考虑ER模型，其中我们从$$N$$ 个孤立的节点开始，然后以概率 $$p$$连接每对节点。更一般地，我们可以询问是否存在一个临界概率，该概率标志着由 $$k$$个节点和 $$l$$ 条边组成的任意子图的出现。可以直接回答这个问题的一些重要的特殊情况[81]是：（i）具有$$k$$阶树的阈值概率为 $$p_c(N) = cN^{-\frac{k}{k-1}} $$;（ii）具有$$k$$阶环的阈值概率为 $$p_c(N) = cN^{-1} $$;（iii）具有$$k$$阶完全子图的临界概率为 $$p_c(N) = cN^{-\frac{2}{k-1}} $$
通常，一个网络总是由许多分离的子图或组件组成，即内部连接的节点组，但与其他节点断开连接。在每个这样的组件中，任意两个节点之间都存在一条路径，但不同组件中的节点之间不存在路径。大小与整个网络成比例的网络组件, $$N$$ ，被称为巨型组件。
与组件类似，社群的概念也是复杂网络中最基本的属性之一 [83]。网络的节点可能会结合成紧密连接的群体，而在它们之间仍然存在链接，但连接较少。网络的单个节点可能属于多个社群，并且大多数实际网络由高度重叠的节点社群组成 [84]。由于社群结构在真实网络中非常常见，因此社群发现和检测对于更好地理解网络的功能至关重要。图 4c 显示了一个重叠的 k-团社群的示例。关于图中的社群检测的良好综述可以在参考文献 [85] 中找到。
网络模型 (Network models)
Erdős–Rényi模型：它可以通过以下两个经过充分研究的图集合来解释，$$G_{N,M}$$是具有$$N$$个顶点和$$M$$条边的所有图的集合；以及，$$G_{N,p}$$即由具有$$N$$个顶点的图组成的集合，其中每个可能的边以概率$$p$$实现/连接。如果$$M = \binom{N}{2} p $$，则已知这两个最初由Erdős和Rényi研究的族[73]是相似的。它们被称为Erdős–Rényi (ER)模型。这些描述与统计物理学中研究的微正则系综和正则系综非常相似[86]。ER模型一直是随机图领域的主要研究对象[81]，具有泊松度分布，见公式(7)。

[图片]
图 4. 子图概念的说明。(a) 树状网络，(b) 完全完成的网络，(c) k = 4 时的重叠 k-团社区的示例。来源：(c)：转载自参考文献 [84] 中的图。
Barabási–Albert模型：它基于关于网络演化的两个简单假设[38]。（i）增长：从少量节点开始，在每个时间步，添加一个具有$$m (⩽ m_0) $$条边的新的节点，该节点将连接到系统中已存在的个不同的节点。（ii）优先连接：这是模型的核心。在选择新节点将要连接的节点时，新节点将连接到节点的概率 $$\Pi $$取决于节点$$i$$的度$$k_i$$，使得$$\Pi(k_i) = \frac{k_i}{\sum_{j} k_j} $$。在这个过程中，经过$$t$$个时间步后，这将导致一个具有$$N = t+ m_0$$个节点和条边的网络。理论和数值结果表明，该网络模型演变为幂律度分布，见公式（8）。
Watts–Strogatz 模型: 1998年，Watts和Strogatz [37] 提出了一个单参数模型，该模型在规则格子和随机图之间进行插值。该模型背后的细节如下：(i) 起始状态：从一个具有 $$N$$个节点的环状格子开始，其中每个节点都连接到其最近的个邻居。为了始终拥有一个稀疏但连通的网络，考虑$$N \gg k \gg \ln(N) \gg 1$$ 。(ii) 随机化：以概率$$p$$ 随机重连格子的每条边，排除自连接和重复边。这个过程引入了$$pNK/2$$ 条长程边。该模型产生的网络特性是小世界性和高聚类系数。具体来说，小世界网络指的是特征路径长度 $$L$$ 与节点数量的对数成正比的网络，$$L ∝ log N$$。
2.1.2. 皮尔逊相关气候网络 (Pearson correlation climate network)
我们的气候系统由大量的非线性子系统组成，这些子系统在广泛的时间和空间尺度上具有相互的非线性相互作用和反馈回路。因此，从复杂网络的角度对地球气候系统进行建模，可以清晰地提供对演变中的气候系统潜在动力学的关键见解。如上所述，在复杂网络中，地球的地理区域被视为节点，而成对的气候变量时间序列之间相似性的双变量统计分析则代表了链接。
一般来说，CNs的构建和分析有五个步骤[46]，该过程如图5所示，改编自[87]。步骤 (i)：节点，CNs中的节点通常定义为经纬度空间网格中不同分辨率的位置。（ii）：气候变量，我们选择合适的气候时间序列进行分析，例如，地表气温、海面温度、降水、风等。通常还需要进行一些预处理。例如，为了避免季节性的强烈影响，我们通常会减去平均季节周期，并除以每个网格点时间序列的季节性标准差。（iii）：边，在此步骤中，我们计算统计相似性，以量化时间序列对之间的相互依赖性。每条边的强度都是基于相关性的。有很多方法可以量化时间序列的相互依赖性，这里我们提到按相关性度量划分的CNs类型。例如，Pearson相关气候网络，我们使用Pearson相关来量化时间序列之间的互相关；而事件同步气候网络使用事件同步方法；互信息气候网络则基于互信息。（iv）：构建，在此步骤中，我们构建CN，这通常涉及一些阈值标准，以仅选择具有统计意义的边。考虑到，例如，显著链接的值 $$\mathcal{W}_{ij}$$高于给定的阈值 $$\mathcal{W}_{c}$$，则邻接矩阵确定为
$$\mathcal{A}_{ij} = \mathcal{H}(\mathcal{W}_{ij} - \mathcal{W}_c)$$
其中$$\mathcal{H}$$是Heaviside函数。然后，我们通过使用各种网络特征来研究所获得的网路。最后，在步骤(v)：气候学解释中，本分析的结果将根据气候系统的动力过程（例如，大气环流、洋流、大量波等）进行解释。
[图片]
图5. 从气候时间序列构建气候网络的方法. 来源：转载自参考文献[87]中的图。

在下文中，我们将演示如何构建皮尔逊相关气候网络。假设气候变量是每日地表气温，可以来自观测、替代重建、再分析或模拟，这些数据收集于静态测量站，或在网格单元中提供。在网络的每个节点处，我们计算每日大气温度异常$$T_i(t)$$（实际温度值减去气候平均值，然后除以气候标准差），针对每个日历日。
为了获得节点对和之间连接权的时间演化，我们遵循[66]，并计算在整个时间跨度内的每个时间窗口$$t$$（如月或年）的时间延迟互相关函数，定义为
$$C_{ij}^{(t)}(-\tau) = \frac{\langle T_i^{(t)}(t)T_j^{(t)}(t - \tau)\rangle - \langle T_i^{(t)}(t)\rangle\langle T_j^{(t)}(t - \tau)\rangle}{\sqrt{\langle(T_i^{(t)}(t) - \langle T_i^{(t)}(t)\rangle)^2\rangle} \cdot \sqrt{\langle(T_j^{(t)}(t - \tau) - \langle T_j^{(t)}(t - \tau)\rangle)^2\rangle}},$$
和 and
$$C_{ij}^{(t)}(\tau) = \frac{\langle T_i^{(t)}(t - \tau)T_j^{(t)}(t)\rangle - \langle T_i^{(t)}(t - \tau)\rangle\langle T_j^{(t)}(t)\rangle}{\sqrt{\langle(T_i^{(t)}(t - \tau) - \langle T_i^{(t)}(t - \tau)\rangle)^2\rangle} \cdot \sqrt{\langle(T_j^{(t)}(t) - \langle T_j^{(t)}(t)\rangle)^2\rangle}},$$
[图片]
图 6. Pearson 相关气候网络中的典型加权有向链接。(a) 节点 i 位于西南大西洋，节点 j 位于南美大陆。(b) [2014,2018] 年期间的近地面日气温异常。(c) (b) 中所示时间序列之间的互相关函数。此链接的方向是从 i 到j ，权重为$$W_{ij}^+ = 5.71$$。
其中括号表示过去$$T$$天的平均值，根据
$$\langle f(t) \rangle = \frac{1}{T} \sum_{a=1}^{T} f(t - a).$$
这里，$$τ $$是时间滞后，范围是$$[0 ,τ_{max}]$$天。背景噪声水平的可靠估计，即的值，已在 [88,89] 中讨论。基于相关函数，公式。（12）和（13），节点 $$i$$和 $$j$$之间的加权有向链接在参考文献中定义。[59,61,64]。这是通过识别互相关函数的最高峰（或最低谷）的值来完成的，并将此峰（谷）的相应时间滞后表示为$$θ_{i,j}$$ 。$$θ_{i,j}$$的符号表示每个链接的方向；即，当时间滞后为正时( $$θ_{i,j}>0$$)，链接的方向是从$$j$$ 到 $$i$$[64]。正向和负向链接及其权重通过 $$C_{i,j}(τ)$$确定，并定义为
$$W_{ij}^+ = \frac{\max(C_{ij}(\tau)) - \text{mean}(C_{ij}(\tau))}{\text{std}(C_{ij}(\tau))},$$
$$W_{ij}^- = \frac{\min(C_{ij}(\tau)) - \text{mean}(C_{ij}(\tau))}{\text{std}(C_{ij}(\tau))},$$
其中，“max”和“min”是互相关函数的最大值和最小值，“mean”和“std”是平均值和标准差。典型的时间序列及其互相关函数如图6所示。为了演示，选择了两个节点，一个节点位于西南大西洋，一个节点位于南美大陆（图6a）。2014年至2018年期间的近地表日平均气温异常如图6b所示。时间序列之间的互相关函数如图6c所示，其中最大互相关函数的绝对值远大于噪声水平和最小值。由于$$θ_{i,j}=2>0$$，则链接的方向是从$$j$$到$$i$$。根据公式(15)，我们计算出其权重为$$W_{ij}^+ = 5.71$$。该值表示高于噪声水平5.71个标准差，即高度显著。
最后，可以通过在节点对之间建立连接来构建网络，这些连接的权重大于某个显著阈值。这种方法的优点是它克服了数据中强自相关值的问题[88]。
2.1.3. 事件同步气候网络 (Event synchronization climate network)
事件同步方法提供了一种从气候观测构建网络的替代方法：事件同步气候网络 (CN)。它最初由 Quian Quiroga 等人 [90] 提出，他们测量了同步性并推断了神经科学中信号之间的时间延迟。事件同步基于事件的相对时间，例如时间序列中的降雨，并由阈值的交叉或局部最大值或最小值等定义。例如，极端降雨事件被定义为降水量高于所有日子的第 99 个百分位数的日子。事件同步特别适合研究极端事件。同步程度由准同时发生的事件数量获得，延迟由一个时间序列（信号）中事件相对于另一个时间序列（信号）的优先顺序计算得出。
事件同步开始于从两个离散的单变量时间序列 $$X$$ 和 $$Y$$构建两个事件序列。如果$$0 \leq |t_l^x - t_m^y| < \tau_{lm}^{xy} $$ ，则在时间 $$t_{l}^x$$ 在 $$X$$发生的事件 $$l$$被认为与在时间 $$t_m^y$$在 $$Y$$发生的事件$$m$$ 在时间滞后 $$lag ± \tau_{lm}^{xy}$$内同步，其中
$$\tau_{lm}^{xy} = \min \left\{ t_{l+1}^x - t_l^x, t_l^x - t_{l-1}^x, t_{m+1}^y - t_m^y, t_m^y - t_{m-1}^y \right\} / 2.$$
这里,$$l=1, 2,...,e_x$$ 和$$m=1,2,...,e_y$$，并且 $$e_x$$和 $$e_y$$分别是 $$X$$ 和 $$Y$$中的事件数量。统计一个事件在 $$X$$ 中发生后不久在 $$Y$$ 中出现的次数,
$$c(x|y) = \sum_{l=1}^{e_x} \sum_{m=1}^{e_y} J_{xy}^{lm}$$
With
$$J_{xy}^{lm} = \begin{cases}
1, & \text{if } 0 < t_l^x - t_m^y \leq \tau_{lm}^{xy}, \\
1/2, & \text{if } t_l^x = t_m^y, \\
0, & \text{else},
\end{cases}$$
与公式 (18) 类似，我们可以定义。最后，对称和反对称的组合
$$Q_{xy} = \frac{c(y|x) + c(x|y)}{\sqrt{e_x e_y}}, \quad q_{xy} = \frac{c(y|x) - c(x|y)}{\sqrt{e_x e_y}},$$
分别用于测量事件的同步性和它们的延迟行为。它们被归一化到 $$0 \leq Q_{xy} \leq 1 \quad \text{和} \quad -1 \leq q_{xy} \leq 1. $$ 。应该注意的是，如果一个记录中几个极端事件非常接近，那么只考虑第一个。特别地，$$ Q_{xy}=1 $$当且仅当信号的事件完全同步。此外，如果 $$X$$ 中的事件总是先于 $$Y$$ 中的事件，那么我们得到 $$q_{xy} = 1$$
事件同步方法已被发现对脑电图信号[90]、神经生理信号[91]以及极端降雨事件模式[92–96]的研究很有用。
2.1.4. 互信息气候网络
互信息方法也是量化时间序列之间相互依赖性和构建气候网络的常用工具之一。两个随机变量的互信息是衡量这两个变量之间相互依赖性的指标。互信息的概念与随机变量的熵密切相关[97]。设X和Y是一对随机变量，其值域为$$X ×Y$$ 。如果它们的联合分布为p(x, y)，并且它们相关的边际概率分布函数为p(x)和p(y)，那么互信息定义为
$$M_I = \sum_{x} \sum_{y} p(x, y) \log \left( \frac{p(x, y)}{p(x)p(y)} \right)$$
发生概率为零的状态将被忽略。
直观地说，$$M_I$$ 是衡量$$X$$ 和$$Y$$ 的联合分布中表达的内在依赖性相对于它们在独立假设下的相应联合分布的度量。因此，互信息衡量的是依赖性和非线性，事实上：当且仅当 $$X$$ 和 $$Y$$ 是独立的随机变量时，$$M_I=0$$，即$$p(x, y) = p(x)p(y)$$。此外，互信息是非负的、对称的，并且也可以通过时滞来计算 [98]。在获得每对节点的互信息系数（公式 21）后，我们可以构建一个互信息气候网络。研究表明，互信息气候网络可以很好地捕捉到大西洋年代际涛动中发生的海面温度（SST）异常的西向传播 [99]。
总而言之，在本章中，我们描述了不同的网络特征，并介绍了各种线性和非线性时间序列分析工具，这些工具可用于构建、定义和表征CN。线性和非线性方法包括Pearson相关、事件同步以及信息论度量，如熵和互信息。还有一些其他强大的工具，例如，谱分析、经验正交函数分析和符号序数分析，可用于重建CN [46]。

2.2 渗流理论 (Percolation theory)
渗流最初用于描述流体在多孔材料中的运动和过滤[100]。Flory 和 Stockmayer 在聚合和溶胶-凝胶转变中也考虑了渗流的观点 [101]。
[图片]
图 7.512 512 二维方格上的键渗簇，p分别为 (a) 0.3、(b) 0.5 和 (c) 0.55。不同大小的簇具有不同的颜色。较大簇的颜色取决于其大小，从蓝色（小簇）到红色（无限簇）不等。渗流阈值为 p(c)= 0.5。
近年来，它已成为空间随机过程理论的基石，广泛应用于统计物理[102-105]、相变[106,107]、材料[108,109]、流行病学[110-113-121]、网络[30,38,40,114]、胶体[122,124,125,126,123]、半导体、交通、湍流以及地球系统[33,65,67,127-130]等领域的各种问题。在研究复杂系统的结构、稳健性和功能方面，渗流理论也发挥着举足轻重的作用 [131]。
众所周知，在晶格和其他有序网络中 [106,107,132]，当维度大于 1 时，就会发生渗滤相变。渗滤过程是一个简单的模型，其中节点（位点）或边（键）被占用的概率为 $$p$$，未被占用的概率为 $$q=p-1$$。以规则晶格为例（见图 2a）。如果存在一条从一侧到另一侧的平行路径，且该路径只经过被占据的键和位点，那么该系统就被重新划分为渗滤系统。当存在这样一条路径时，跨越晶格的位点组分或位点簇被称为跨越簇或无限渗流簇。在低浓度 $$p$$ 下，位点要么是孤立的，要么是由最近邻的位点组成的小簇。如果两个位点通过一条最近邻位点路径相连，它们就属于同一个簇。另一方面，当 $$p$$ 值较大时，至少有一条路径存在于相对的两侧之间（见图 7）。渗滤相变发生在某个临界密度 p(c)，该密度取决于晶格的类型和维度。
对于许多复杂网络来说，边的概念并不存在。然而，渗滤理论的思想和工具仍然可以应用[51]。主要区别在于，渗滤的条件不再是存在跨簇，而是拥有一个包含 $$O(N)$$ 个节点的簇。如果存在这样的分量，我们称之为巨型分量，这在第 2.1 节中已经讨论过。事实上，巨型分量存在的条件也适用于网格网络，因此它可以作为比跨度属性更通用的条件。
渗流有两种类型，一种是位点渗流，即所有位点都有概率 $$p$$ 被占用，$$1-p$$ 。而在键渗流中，键被占用的概率为 $$p$$ ，超过 $$p(c)$$ 时，它们会形成一个巨大的连通点。在这篇综述中，我们将重点讨论渗流临界现象，即接近渗流阈值 $$p(c)$$ 时，首次形成巨型分量或系统坍缩[133]。这些方面被称为临界现象，描述临界现象的基本理论是相变的缩放理论。
2.2.1. 相变 (Phase transition)
相变的概念通常用于描述热力学物理系统中物质的固态、液态和气态之间的转变，即有序相（如固态）在某个临界温度 $$T_c$$ 时转变为无序相（如液态）[26]。相变的另一个经典例子是磁性相变，用伊辛模型解释就是在低温、无任何外场的情况下出现自发磁化$$m>0$$ 。当温度升高时，自发磁化会减小，并在 $$T_c$$ 时消失。
实际上，渗滤是一种简单的几何相变，渗滤阈值 p(c)可以区分有限簇的相位（无序相）和无限簇的相位（有序相）。位点或键的占据概率 p 与热相变中的温度起着相同的作用。在统计物理学中，它们通常被称为控制参数。
渗流序参数 (Percolation order parameter)
渗流阶数参数 $$P_{\infty}$$定义为无限簇的相对大小，即属于无限簇的位点分数。对于$$p < p_c$$，只存在有限簇，因此 $$P_{\infty}=0$$；但对于 $$p > p_c$$，$$P_{\infty}$$类似于$$T_c$$以下的磁化，在 $$p_c$$附近表现为幂律
$$P_{\infty} \sim (p - p_c)^{\beta}.$$
[图片]
图8. 晶格和网络系统中的渗流相变。渗流序参量P∞作为占据概率p的函数，对应于(a) pc = 0.5的二维键渗流，(b) pc ≈ 0.593的二维点渗流，以及(c) pc = 0.25的ER网络。这里ER网络的平均度⟨k⟩ = 4。

它描述了渗滤系统中的有序性，因此被称为序参数。我们在图 8 中分别展示了二维方格模型中键渗流和位点渗流以及 ER 网络中位点渗流的 P 随 p 变化的情况。值得注意的是，我们在图 8 中采用 p 作为控制参数，这使得 P 成为单调递增函数。当 p 逐渐减小（从 1 开始）时，可视为节点或链路的移除（或攻击），系统在移除 1 的一部分后崩溃p(c)。因此，1-p(c)可以衡量系统的弹性，即系统离崩溃有多近。
团簇尺寸分布 (Cluster size distribution)
临界附近的有限分量分布遵循标度形式[106,107]，即距离坍缩有多近。
$$n_s \sim s^{-\tau} e^{-s/s_{\xi}}.$$
其中，s 代表分量大小，$$n_s$$代表分量大小为 s 的分量数量。$$s_{\xi} \sim |p - p_c|^{-\sigma}$$发散，分布尾部表现为临界指数为 σ 的幂律。
平均簇大小 (Average cluster size)
对于任何给定的站点，其属于规模为的聚类的概率为 sn(s)。让我们将 ρ(p) 定义为任何给定站点隶属于一个有限群集的概率
$$\rho(p) = \sum_{s=1}^{\infty} s n_s(p) = M_1(p),$$
即集群规模分布的第一矩。因此，对于任何给定有限群集的任何给定站点，该群集规模的概率$$w_s(p)$$ 为
$$w_s(p) = \frac{1}{\rho(p)} s n_s(p),$$
对于任意给定有限簇的任意位置，簇的平均大小$$\langle s(p) \rangle$$为
$$\langle s(p) \rangle = \sum_{s=1}^{\infty} s w_s(p) = \frac{1}{\rho(p)} \sum_{s=1}^{\infty} s^2 n_s(p) = \frac{M_2(p)}{M_1(p)}.$$
注意，平均大小$$\langle s(p) \rangle⟩$$，不包括无限簇，在临界点附近发散为：
$$\langle s \rangle \sim |p - p_c|^{-\gamma}, \quad (p \to p_c).$$
相关长度(Correlation length)
相关函数 $$g(\mathbf{r})$$ 是指一个有限簇中占位点与位于$$ \mathbf{r}$$位点之间的位点属于同一簇的概率。通常，对于较大的$$ r \equiv |\mathbf{r}|$$时，存在一个指数截止点，即$$ g(\mathbf{r}) \sim e^{-r/\xi}$$，相关长度为 ξ 。相关性长度ξ定义为
$$\xi^2 = \frac{\sum_{\mathbf{r}} r^2 g(\mathbf{r})}{\sum_{\mathbf{r}} g(\mathbf{r})}.$$
ξ测量同一有限群组中两个站点之间的平均距离。当 $$p$$接近 $$p_c$$时，ξ 以下列方式增加
$$\xi \sim |p - p_c|^{-\nu}.$$
$$ P_{\infty}$$和$$\langle s \rangle$$类似于磁性系统中的磁化 m 和磁感应强度 χ。β、γ和 ν 称为临界指数，描述了渗滤相变的临界行为。
2.2.2. 结构特性 (Structural properties )
接下来，我们将简要介绍一些用于表征渗流簇结构特性的基本测量方法。更多详情，读者可参阅文献[106]。[106].
分形维度 (Fractal dimension)
分形概念由Mandelbrot [134] 引入物理世界，Stanley [135] 将其应用于渗滤，以描述渗滤阈值 $$p_c$$处的簇形状。无限簇在所有长度尺度上都是自相似的，可视为分形。分形维度$$d_f$$ 的定义是：在距离集群某点半径为 r 的球面内，集群的质量 M 平均随 r 的变化情况
$$M(r) \sim r^{d_f}.$$
当长度尺度小于相关长度 ξ 时，存在分形结构。当长度尺度大于 ξ 时，集群变得均匀。这可以概括为
$$M(r) \sim
\begin{cases}
r^{d_f}, & r \ll \xi \\
r^d, & r \gg \xi.
\end{cases}$$
巨型分量的相对大小$$P_{\infty}$$也可以表示为
$$P_{\infty} \sim \frac{r^{d_f}}{r^d} = \frac{\xi^{d_f}}{\xi^d}, \quad r < \xi.$$
渗滤簇的分形维数$$d_f$$与临界指数 β 和 ν 有关。将公式 (22) 和 (29) 代入公式 (32)，得到 $$d_f = d - \frac{\beta}{\nu}.$$
分形分析也被应用于复杂网络的研究 [136]。一般来说，计算给定系统的分形维数有两种基本方法，即使用盒计数法 [137] 或聚类增长法 [138]。(i) 方块计数法：设 $$N_B$$为线性大小为$$ l_B$$的方框数，该方框数需要涵盖对象，分形维度$$d_f$$由 $$N_B \sim l_B^{-d_f}$$给出。这意味着，在一个分形对象中，节点的平均数量$$\langle M_B(l_B) \rangle $$大小为$$l_B $$的方格内节点的平均数量为
$$\langle M_B(l_B) \rangle \sim l_B^{d_f}.$$
分形维数 $$d_f$$可以通过幂律拟合得到。(ii) 聚类增长法：与公式 (30) 类似，分形维度 $$d_f$$可通过以下方法计算
$$\langle M_C \rangle \sim l^{d_f}.$$
其中，$$\langle M_C \rangle $$是集群的平均质量，定义为集群中线性大小 ℓ 内节点的平均数量。需要注意的是，上述方法很难直接应用于网络，因为网络一般不嵌入空间。为了测量网络的分形维度，人们通常会结合重正化的概念 [136]，即对每个化学大小 l(B)放置方框，直到覆盖整个网络。然后将每个方框替换为一个节点（重正化），如果未重正化的⟨(B) 和⟨(B) 之间至少有一个链接，则重正化的节点是相连的。盒之间的链接。重复这一过程，随着$$N_B \sim \ell_B^{-d_f}$$，盒子的数量$$N_B$$与$$\ell_B$$成比例。
图形维度 $$d_{\text{min}}$$和$$d_\ell$$(Graph dimensions $$d_{\text{min}}$$and$$d_\ell$$)
分形维数 dmin被用来描述同一簇中两个任意位点之间最短路径的结构特性。假设 ℓ 是路径长度，通常称为 "化学距离"[139]，它与 r 的关系为
$$\ell \sim r^{d_{\min}},$$
而 ℓ 范围内的位点数量为
$$M(\ell) \sim \ell^{d_\ell},$$
其中 dℓ 通常称为 "图形维度 "或 "化学维度"。结合公式 (30)、(35) 和 (36)，我们可以得到 $$d_{\text{min}}$$,$$d_\ell$$和$$d_f, d_\ell = \frac{d_f}{d_{\text{min}}}$$。除了上述分形维度指数 $$d_{\text{min}}$$,$$d_\ell$$ 和$$d_f$$之外，还有一些其他指数，如骨架指数和红键指数，用于描述构成渗流簇的子结构的分形维度[26,107]。
2.2.3. 标度理论 (Scaling theory)
相变的缩放假说由肯尼斯-威尔逊（Kenneth G. Wilson）在上个世纪提出，并于 1982 年获得诺贝尔奖。渗滤簇的缩放理论将渗滤转变的临界指数与簇大小分布 $$n_s(p)$$联系起来。根据缩放假设， $$n_s(p)$$的关系式如下
$$n_s(p) \sim s^{-\tau} f\left( |p - p_c|^{1/\sigma} s \right),$$
其中，τ 是费雪指数[102]，而 $$f(x)$$ 是遵循$$f(x) = \exp(-x)$$之后的缩放函数，它会迅速衰减为零。相关长度 ξ 定义为所有簇中同一有限簇上被占据位点之间的均方根距离，见公式 (28)。对于有 s 个位点的簇，每个簇上所有位点对之间的均方根距离为
$$R_s^2 = \frac{2}{s(s-1)} \sum_{i=1}^{s} \sum_{j=1}^{i} (\mathbf{r}_i - \mathbf{r}_j)^2,$$
因此
$$\xi^2 = \frac{\sum_{s=1}^{\infty} R_s^2 s^2 n_s}{\sum_{s=1}^{\infty} s^2 n_s}.$$
在接近渗滤阈值$$p_c$$时， $$R_s \sim s^{1/d_f}$$，由上式可得
$$\xi^2 \sim \frac{\sum_{s=1}^{\infty} s^{2/d_f + 2 - \tau} f\left( |p - p_c|^{1/\sigma} s \right)}{\sum_{s=1}^{\infty} s^{2 - \tau} f\left( |p - p_c|^{1/\sigma} s \right)}.$$
为了计算式 (40) 中的和，我们将它们转化为积分，得到
$$\xi^2 \sim |p - p_c|^{-2/(d_f \sigma)},$$
由此得出 ν、σ 和 τ 之间的比例关系
$$\nu = \frac{1}{d_f \sigma} = \frac{\tau - 1}{d \sigma},$$
其中d是系统的维度。
考虑集群规模分布的第 k 个时刻
$$M_k = \sum_{s=1}^{\infty} s^k n_s(p) \sim \sum_{s=1}^{\infty} s^{k-\tau} f\left( \frac{s}{\xi^{d_f}} \right),$$
在临界区的比例为
$$M_k \sim \xi^{d_f (k - \tau + 1)} \sim |p - p_c|^{(\tau - 1 - k)/\sigma}.$$
接下来我们考虑渗滤阶次参数 $$P_\infty$$，其表现为 [106]，
$$P_{\infty} = 1 - \frac{1}{p} \sum_{s} s n_s \sim \sum_{s} s (n_s(p_c) - n_s(p)) \sim (p - p_c)^{(\tau - 2)/\sigma}.$$
结合公式 (22)，我们可以得出，
$$\beta = \frac{\tau - 2}{\sigma}.$$
同样，对于 k= 2，我们得到关系式 $$M_k \sim |p - p_c|^{(3-\tau)/\sigma}$$，得出
$$\gamma = \frac{\tau - 3}{\sigma}.$$
因此，临界指数并不是相互独立的，而是满足两组缩放和超缩放关系。公式 (42)、(46) 和 (47) 可以轻松表示缩放关系。
2.2.4. 普遍间隙缩放 (Universal gap scaling )
渗滤的一个有趣特性是普遍性，这是相变临界点或临近相变临界点行为的基本原则。因此，临界指数只取决于系统的维度，与系统的微观相互作用细节无关。如上一节所述，系统的行为由一组临界指数来表征。如果两个系统的临界指数值相同，则它们属于同一普遍性类别。普遍性是相变的一般特征。相变也是以控制有限尺寸行为的缩放函数为特征[140]。有限尺寸缩放概念为研究渗滤转变提供了一个通用工具。
[图片]
图9. 爆炸渗流模型示意图。(A) 在每一步中，随机选择两个顶点并通过一条边连接。(B) 在乘积规则（PR）过程的每个时间步，两条边e1和e2竞争加入。被选中的边是使它合并的组件大小乘积最小的边。这里e1被接受，e2被拒绝。(C) 在大小为N = 512,000的系统上，ER、Bohman Frieze（BF）和PR过程的典型演化。来源：图取自参考文献[116]。

通常，在随机占据或破坏过程中，晶格或网络会发生连续的渗滤相变 [81]。近年来，非随机过程而是竞争性链路添加过程的爆炸性、混合性和真正不连续的渗滤引起了广泛关注 [116,141-152]。爆炸性渗滤模型的描述如图 9 所示。
没有在临界相变点进行有限大小缩放分析，而是考虑了渗流特性的有限大小缩放分析和阶次参数中最大间隙大小的临界缩放。例如，Fan 等人[153] 发展了一种新的普遍间隙缩放理论，并提出了六个间隙临界指数来描述渗滤相变的普遍性。通过使用有限大小的缩放函数，这一理论框架可应用于各种晶格和网络模型中的连续和不连续渗滤。
间隙指数 (Gap exponents)
从一个空晶格或具有$$N$$个孤立节点的网络系统开始，随机或通过竞争性加链过程逐个添加键或链路。控制参数用$$r$$表示，它代表链接密度 $$r = \frac{T}{M}$$，$$M$$是最大的边数。阶次参数是最大群组的大小，由整个系统中最大的连接组件给出。在系统演化过程中，我们会记录最大群集$$S(T)$$在时间步长$$T$$的大小，并计算其最大的一步间隙 $$\Delta$$
$$\Delta \equiv \frac{1}{N} \max_{T} [S(T + 1) - S(T)].$$
跃迁最大的步长定义为 $$T_c$$，其相对过渡点定义为$$r_c$$。此外，渗流强度定义为 $$T_c$$处最大连通分量的大小，即$$S_c = S(T_c)$$.。
渗流等临界现象表现出无标度行为，可通过标度关系量化，详见前几节的讨论。同样，作为$$L$$ 的函数，平均值$$\bar{\Delta}$$ , $$\bar{r}_c$$ 和$$\bar{S}_c$$ 预计会呈现如下幂律关系[153]，
$$\bar{\Delta}(L) \sim L^{-\beta_1},$$
$$\bar{r}_c(L) - r_c(\infty) \sim L^{-1/\nu_1},
$$
$$\bar{S}_c(L) \sim L^{d_f 1},$$
其中，β1、ν1和$$d_{f1}$$是描述渗流普遍等级的三个临界指数，是热力学无穷大极限下的渗流阈值, $$L \rightarrow \infty$$。它们对应的波动
$$\delta \Delta^{(i)} = \Delta^{(i)}(L) - \bar{\Delta}(L)$$, $$\delta r_c^{(i)} = r_c^{(i)}(L) - \bar{r}_c(L)$$和$$\delta S_c^{(i)} = S_c^{(i)}(L) - \bar{S}_c(L)$$ ,也被研究
$$\chi_{\Delta} = \sqrt{\frac{1}{D} \sum_{i=1}^{D} [\delta \Delta^{(i)}]^2},$$
$$\chi_{r_c} = \sqrt{\frac{1}{D} \sum_{i=1}^{D} [\delta r_c^{(i)}]^2},$$
$$\chi_{S_c} = \sqrt{\frac{1}{D} \sum_{i=1}^{D} [\delta S_c^{(i)}]^2},$$
其中 D 是独立实现的次数。我们预计 $$\chi_{\Delta}$$, $$\chi r_c$$ and $$χSc\chi S_c$$ 随 L 的代数衰减，其缩放关系如下
$$\chi_{\Delta} \sim L^{-\beta_2},$$
$$\chi_{r_c} \sim L^{-1/\nu_2},$$
$$\chi_{S_c} \sim L^{df_2}$$
其中，β(2)、ν(2)和 $$df_2$$构成另一组临界指数。新的六个间隙临界指数表征了渗流的普遍性。需要注意的是，它们与标准渗流指数高度相关，并非完全独立。间隙指数与标准渗流临界指数之间的关系推导如下[153]
$$\beta_1 = \beta_2 = \beta / v$$
$$\nu_2 = \nu$$
$$df_1 = df_2 = df.$$
特别是，β(1)的值可以暗示渗流的阶次。也就是说，β(1)=0 表示渗流是一阶转变；而 0< β1< 1 的模型是连续的[120,147]。我们在图 10 中给出了二维方形晶格上键渗流的数值结果，我们得到了 $$\beta_1 = \beta_2 \approx 0.104$$,$$ \frac{1}{v_1} = \frac{1}{v_2} \approx \frac{1}{v}$$, and$$ r_c(\infty) \approx 0.5$$, 以及 $$df_1 = df_2 \approx 1.895$$。所有结果都与已知理论值一致[103]。
2.3. 临界点分析 (Tipping points analysis)
引爆点（Tipping point）的概念，即“小事情能产生大影响”，最早由Malcolm Gladwell在他的著作[154]中提出。它的意思是，在特定的时间点，一个小的变化可能会在一个复杂的系统中导致巨大的和长期的后果。引爆点通常与分岔[155]相关联。引爆点被定义为“临界质量的时刻，阈值，沸点”。许多复杂系统都会经历行为的突然转变，通常被称为引爆点或临界转变，范围从气候[23,156–161]、生态系统[158,162–167]到社会科学[168,169]、金融市场[170,171]、医学[172–174]和事件宏观经济主体模型[175]。
复杂系统可能在临界点处突然从一种状态转变为另一种状态，这可能意味着威胁和突发且不可逆转的变化的风险正在增加 [161]。因此，理解理论机制并预测临界现象具有重要的实际意义。尽管在这些临界点发生之前对其进行预测是出了名的困难。理论提出了通用预警信号（EWS）的存在，这些信号可能表明，对于广泛的系统而言，临界阈值是否正在逼近 [176–178]。EWS是目前预测临界跃迁的最强大工具之一。临界点分析技术提供了一个重要的工具，用于预测、检测和预报复杂动力系统中的临界点。该方法通常结合时间序列中的监测记忆，包括动态导出的滞后1自相关 [179]、去趋势波动分析（DFA）的幂律标度指数 [180,181]，以及基于功率谱的分析 [182]。
2.3.1. 基础概念 (Basic concepts)
临界点的定义：遵循参考文献[177]，临界点是指系统未来状态发生质变所对应的临界点。确定一个控制参数为(ρ)，对于该参数存在一个阈值$$(\rho_c)$$，当存在一个小的扰动$$(\delta \rho > 0)$$ 时，经过一段时间(T > 0)后，会导致系统的一个关键特征(F )发生质变(Fˆ)。实际变化(∆F )定义为：
$$\left| \Delta F \right| = \left| F(\rho \geq \rho_c + \delta \rho | T) - F(\rho_c | T) \right| \geq \hat{F} > 0$$
在这个定义中，临界阈值$$(\rho_c)$$被认为是引爆点，超过这个点就会发生质变。请注意，这种变化可能立即发生，甚至在原因发生很久之后才发生。
临界点的类型：复杂系统中临界现象背后的理论机制可以有效地分为三个不同的类别：由分岔引起的、由噪声引起的和由速率决定的临界点[183]。
分岔意味着，当驱动力$$\rho$$ 发生微小变化并超过临界阈值时，会导致系统状态发生巨大的非线性变化，从而满足公式 (59) 中临界点的定义。给定一个概念化的开放系统 [184]，
$$\frac{\mathrm{d}F}{\mathrm{d}t} = f(F, \rho(t)),$$
[图片]
图10.二维方形晶格系统中键渗流的能隙临界指数。(a)和(b)，$$\bar{\Delta}(L)$$和$$\chi_{\Delta}$$随$$L$$的变化关系。(c)和(d)，渗流阈值$$\bar{r}_{c}(L)$$和$$\chi_{\Delta}$$与$$L$$的双对数图。(e)和(f)，$$\bar{S}_{c}(L)$$和$$\chi_{s_c}$$与$$L$$的幂律关系。(c)中的插图展示了$$r_{c}(\infty) -\bar{r}_{c}(L)随$$$$L$$变化的双对数图。
来源：转载自参考文献[153]的图。
其中ρ(t) 通常是一个随时间变化的输入。当ρ为常数时我们将式（60）称为具有参数λ的参数化系统并将其稳定解称为准静态吸引子。如果ρ(t)通过了系统的某个分岔点（在该点处，一个准静态吸引子失去稳定性），那么显然可以直观地看出，由于改变该参数，系统可能会直接“发生倾斜”。我们在图11中给出了两个由分岔引起的“倾斜点”的例子。其中系统的状态由（61）和（62）描述。
$$\frac{\mathrm{d}F}{\mathrm{d}t} = \rho + F - F^3,$$
And
$$\frac{\mathrm{d}F}{\mathrm{d}t} = \rho F - F^3,$$
分别对应于图 11 a 和 b。一般来说，当一个系统接近分岔临界点（其当前状态变得不稳定）时，会导致向另一种吸引子的转变。
[图片]
噪声诱导的复杂系统现有稳定状态之间的跃迁（图11c），也可以被视为临界点[185]，然而，它们不符合强制变化的定义，如公式（59）所示。噪声诱导的临界点意味着噪声波动导致系统偏离准静态吸引子的邻域。例如，Pikovsky和Kurths研究了噪声驱动的可激发Fitz Hugh–Nagumo系统中的相干共振，并揭示了相干共振效应可以用激活时间和偏移时间的不同噪声依赖性来解释[186]。末次冰期期间的突发变暖事件，即丹斯伽德-奥施格事件，提供了一个噪声诱导临界点的真实世界例子[185]。此外，Sutera [187]研究了一个简单的全球零维能量平衡模型中，具有冰反照率和温室反馈的噪声诱导临界点[188]。他们的结果表明，‘温暖’和‘寒冷’气候状态之间随机转变的特征时间为100,000年，这与观测数据非常吻合。噪声诱导的临界点方法也已成功用于模拟其他气候模型和现象的变化[189]。与接近分岔相反，研究发现噪声诱导的跃迁从根本上是不可预测的，并且没有显示任何EWS [177]。
速率依赖性，其中系统无法跟踪连续变化的准静态吸引子。为了更好地理解速率依赖性倾覆现象，Ashwin等人引入了一个具有倾覆半径的线性模型，并讨论了速率依赖性倾覆出现的三种例子[183]。给定一个系统，对于 $$F \in_{\epsilon} \mathbb{R}^{n}$$，且参数ρ具有一个准静态平衡$$\tilde{F}(\rho)$$，倾覆半径为R > 0，那么对于某个初始值$$F_{0}$$ ，满足 $$\left| F_{0} - \tilde{F}(\rho) \right| < R$$，F随时间的演化由下式给出
$$\frac{\mathrm{d}F}{\mathrm{d}t} = M(F - \tilde{F}(\rho)) \quad \text{for} \quad |F - \tilde{F}(\rho)| < R,$$
其中M是一个固定的稳定线性算子$$\text{(i.e. } |e^{Mt}| \rightarrow 0 \text{ as } t \rightarrow \infty\text{)}$$。$$\rho(t)$$是一个随时间变化的参数，表示子系统的输入。倾覆半径可能与非线性问题的吸引盆边界有关。该模型仅显示速率相关的倾覆——因为M是固定的，并且系统中没有分岔，也没有噪声存在。特别地，该模型可以推广到包括随ρ(t)变化的M和R。方程(63)可以用初始条件 $$F(0) = F_{0}$$求解，得到
$$F(t) = e^{Mt} F_0 + \int_{s=0}^{t} e^{M(t-s)} M \tilde{F}(\rho(s)) \, ds.$$
[图片]
图12. 地球气候系统中的一些基本主要临界点要素。
来源：参考文献[161]中的图。

需要注意的是，在零纬全局能量平衡模型中也观察到了与速率相关的临界点现象[188]。除了上述三种类型的失稳之外，还可能存在另一种类型，即可逆失稳点。在图11d中，我们展示了一个可逆失稳点的示例，在该示例中，一个单稳态系统表现出非线性但可逆的变化[159]。
2.3.2. 地球气候系统中的临界要素
在参考文献[23]中，Lenton等人引入了“临界要素”一词，用以描述地球系统中可能超过临界点的大尺度组成部分，并评估了它们的临界点所在。他们强调，人类活动可能在推动地球系统组成部分超过其临界点方面发挥至关重要的作用，从而对我们的社会和自然系统产生深远的影响。他们还定义了具有以下条件的与政策相关的临界要素子集：（i）第一个条件在公式（59）中描述；（ii）第二个条件与“政治时间范围”TP相关；（iii）第三个条件被称为“伦理时间范围”TE;；（iv）最后一个条件是，应该在影响方面相应地定义质变。根据上述四个条件，我们在此回顾气候系统中一些与政策相关的潜在临界要素，如图12所示。对于每个临界要素，我们考虑其（1）系统特征F（参见公式（59））或变化方向，（2）控制参数ρ，（3）临界值ρc，（4）转变时间尺度T以及（5）关键影响。
北极海冰。对于夏季和冬季的北极海冰，覆盖面积都在减少，并且大片区域的冰层已显著变薄[190]。在IPCC使用海洋-大气GCMs的预测中，其中一半将在本世纪的九月份变为无冰状态[191]，极地温度为−9 ◦C [192]。面积范围的减少可以被视为系统的特征，用F表示；局部气温∆Tair和海洋热输送可以被视为控制参数；文献中仍然缺乏临界阈值的数值；过渡时间尺度约为T ∼ 10年；北极海冰的减少会放大变暖并引起生态系统变化。
格陵兰冰盖。据报道，格陵兰冰盖正以加速的速度融化[193]，如果超过某个特定阈值，可能会在数千年内使海平面额外升高7米。冰体积的减少可以被看作是系统的一个特征F；局部气温 $$\Delta T_{\text{air}}$$ 是一个控制参数；临界值 $$\rho_{c} \sim 3^{\circ}$$ ;；过渡时间尺度T可达约300年。
西南极冰盖。根据IPCC报告[193]，西南极洲阿蒙森海湾可能已经超过了一个临界点，即“接地线”（冰、海洋和基岩相遇的地方）正在不可逆转地后退。这也可能破坏西南极冰盖的其余部分[194]。利用古气候学数据发现，西南极冰盖的这种大范围崩塌在过去曾多次发生。与格陵兰冰盖类似，冰体积的减少可以被认为是F；局部气温 $$\Delta T_{\text{air}}$$ 是控制参数；临界值$$\rho_{c} \sim 5 - 8^{\circ}$$ ; 过渡时间尺度T可达300年。西南极冰盖的崩塌可能导致海平面在几个世纪到几千年的时间尺度上上升约5米[23]。
大西洋环流。大西洋经向翻转环流（AMOC）是地球主要的海洋环流系统之一，它重新分配热量并影响气候。研究提供了证据，表明自20世纪中叶以来，AMOC减弱了约3 ± 1斯维德鲁普（约15％）[(3)] [160]。AMOC也被认为是地球系统的主要临界要素之一[23,156]。大西洋环流的翻转可以被认为是F；额外的北大西洋淡水输入是控制参数；临界值 $$\rho_{c} \sim 0.1 - 0.5 \, \text{\textdegree Sv}$$；过渡时间尺度T可达100年。AMOC的减缓与热带降雨带的南移有关，它通过影响热带辐合带，以及南大洋和南极洲的变暖来实现[17]。
厄尔尼诺-南方涛动（ENSO）。ENSO是热带太平洋异常暖和冷条件之间的年际波动，是地球上最具影响力的海气耦合气候现象之一[195–197]。据报道，极端厄尔尼诺事件在21世纪的发生频率可能会增加[198]。参考文献[199]讨论了全球变暖背景下ENSO的临界点行为。ENSO的振幅被认为是F；纬向平均温跃层深度、赤道东太平洋温跃层锐度以及年循环强度是控制参数；过渡时间尺度T可达100年。较强的厄尔尼诺现象通常会导致更多的极端事件（如洪水、干旱或严重风暴），这对经济、社会、农业和生态系统产生严重影响。
印度夏季风。印度夏季风降雨（ISMR）对印度的农业产出和经济有着决定性的影响。季风季节（从六月到九月）可能带来干旱和粮食短缺，或者严重的洪水，取决于降雨量的多少。陆地到海洋的压力梯度驱动着季风环流，这与水分平流反馈有关[200]。自1953年以来，ISMR呈现下降趋势[201]。据报道，在一些合理的土地利用、温室气体和气溶胶强迫的年代际尺度情景下，印度夏季风在对应于“活跃”和“弱”季风阶段的两个亚稳态状态之间切换[23]。因此，印度夏季风也可以被视为一个临界要素。特别地，ISMR被认为是F；印度上空的行星反照率是控制参数；临界值 $$\rho_{c} = 0.5 \, \text{SV}$$；过渡时间尺度T是1年。
亚马逊雨林。热带森林在全球碳循环中起着至关重要的作用[202]，并且是全球已知物种一半以上的家园[203]。自 1990 年代以来，森林砍伐和气候变化正在破坏热带森林的稳定，每年的森林砍伐率约为 0.5%，近年来这一比例大幅增加[204]。一项经验性研究表明，观测到的热带森林破碎化现象接近于美洲、非洲和亚洲-澳大利亚这三个大陆的临界点[205]。特别是，我们关注亚马逊雨林，因为它是世界上最大的雨林，也是十分之一已知物种的家园[161]。如果森林接近临界点，亚马逊的枯竭可能会释放 90 吉吨的二氧化碳。因此，找到亚马逊雨林的临界点对于我们保持在排放预算范围内至关重要。这里，亚马逊雨林被视为F；降水和旱季长度是控制参数；临界值ρc = 1, 100 毫米/年；其过渡时间尺度T约为 50 年。
除了上述七个临界要素外，气候系统中还存在一些潜在的与政策相关的临界要素，例如，撒哈拉/萨赫勒和西非季风、北方森林、南极底层水、苔原、永久冻土、海洋甲烷水合物、海洋缺氧和北极臭氧。感兴趣的读者可以在参考文献[23]中找到它们。强有力的证据表明，在过去十年中，“临界点正在发生”的说法越来越多。多米诺骨牌效应也被提出’’ [161]。
2.3.3. 临界点的早期预警
如上所述，许多复杂的动力系统，特别是气候系统，可能存在临界点，并暗示着不希望发生的崩溃风险。尽管在达到这些临界点之前对其进行预测是一项巨大的挑战，但通用EWS的存在为预测此类关键转变提供了有用的指标[176,178]。因此，如果能够识别出临界点的早期预警，那么它将有助于更广泛的社会、科学家和政策制定者采取早期行动，以减少与系统崩溃相关的损害。因此，大量的研究致力于检测和预测这些关键转变，通常会利用EWS。在这篇综述中，我们将重点介绍用于预测、检测和预报动力系统中关键转变的临界点分析技术。
临界点附近的临界减速
‘‘临界减速’’现象已被认为是动力系统是否接近临界阈值的指标[206]。例如，这发生在折叠分岔处（图11），通常与临界点相关联。这表明系统从小扰动中恢复的速度变慢，并且这种缓慢可以从小扰动中“记忆”的增加来推断。例如，图13表明，临界减速是一个指标，表明系统已经失去了弹性，并且可能更容易被推入另一种状态（如滞后1自相关所反映的那样）[178]。

[图片]

为了阐明临界慢化现象、自相关性增加和方差增加之间的关系，这里我们展示一个简单的例子，揭示其潜在机制。我们考虑一个简单的一阶自回归模型（式65），
$$x_{n+1} - \bar{x} = e^{\lambda \Delta t} (x_n - \bar{x}) + \sigma \varepsilon_n$$
$$y_{n+1} = e^{\lambda \Delta t} y_n + \sigma \varepsilon_n,$$
其中 $$\bar{x}$$ 是模型的稳定均衡，$$\Delta t$$是周期， $$\lambda$$ 是恢复速度。这里 $$y_{n}$$是状态变量 x 偏离均衡的偏差，$$\varepsilon_{n}$$是从标准正态分布中获得的随机数，$$\sigma$$ 是标准差。如果$$\lambda$$ 和 $$\Delta t$$独立于$$y_{n}$$，则方程 (65) 可以写成式（66）：
$$y_{n+1} = \alpha y_n + \sigma \varepsilon_n.$$
$$y_{n+1} = c + \alpha y_{n} + \sigma \varepsilon_{n}$$ is
对于白噪声，滞后 1 自相关系数 α ≡ eλ∆t 为零；对于红噪声，则接近于 1。一阶自回归过程 yn+1 = c + αyn + σ εn 的期望值为式（67）所示
让我们考虑c = 0，那么期望值等于零，方差为（如式68所示）
$$\text{Var}(y_{n+1}) = \mathbb{E}(y_n^2) - \mu^2 = \frac{\sigma^2}{1 - \alpha^2}.$$
当系统接近临界点时，返回平衡的速度会降低。这意味着λ趋于零，而α趋于一。根据公式(68)，方差趋于无穷大。总而言之，临界慢化导致滞后1自相关(α)的增加以及由此产生的波动模式（方差）的增加。
减缓变化速度会导致内在变化率降低，因此系统状态变得更像其过去的状态，即自相关性增加。由此产生的“记忆”增加可以通过系统频谱等多种方式进行测量。
自相关函数。滞后1阶自相关函数（ACF(1)）指标是为即将发生的突变事件提供预警信号的一种简单方法。例如，Held和Kleinen已经表明，在温盐环流模型中，自相关性在分岔附近会增加[179]；Dakos等人发现，在过去的数据中，自相关性在八个著名的气候转变之前会增加[157]。
时间序列中两个数值之间的相关系数被称为自相关系数（ACF）。例如，在自回归模型中，时间序列的自相关系数yn（见式66）可表示为：Corr(yn, yn−s), s = 1, 2, . . . , s表示时间间隔，也被称为滞后值。特别的，滞后1的自相关系数是相隔一个时间步长的数值之间的相关性。更一般的说，滞后s的自相关系数是相隔s个时间步长的数值之间的相关性。
$$C(s) \sim s^{-\gamma},$$
ACF的缩放指数 γ是自相关函数随滞后量s增大而呈现的幂律衰减特性[207]。我们将其表示为C(s)，时间序列滞后量s下的自相关值，那么这种缩放关系，对于长距离相关性而言，可定义为$$C(s) \sim s^{-\gamma},$$值的注意的是，对于短距离相关性的记录，C(s)会呈指数衰减，并且只有自相关函数（1）能够表明数据的变异性接近临界点
去趋势波动分析。减速会导致记忆量增加，这一现象也可以通过去趋势波动分析（DFA）来测量[180]。有关详细方法，请参阅[180]。DFA常用于检测长程相关性或包括DNA系列、心率、地震以及气候记录等多种时间序列的持久性[208]。如果时间序列具有长程相关性，波动函数 $$F(n)$$将按幂律关系$$F(n) \sim n^{\alpha}$$增加。其中n是窗口大小，α是DFA缩放指数。这里， $$F(n) = \sqrt{\frac{1}{n} \sum_{t=1}^{n} (X_t - Y_t^z)^2}$$是时间序列xi的累积和或“轮廓”，Ytz是拟合多项式，z代表DFA的（多项式）阶数。DFA指数α计算为F(n)与n的log-log图的线性拟合斜率。研究发现，时间范围10 ≤ n ≤ 100内的DFA指数对动力系统的变化很敏感，这与ACF(1) [181]相似。
功率谱。最近，Prettyman等人引入了一种基于功率谱（PS）衰减率的新型尺度指标[214]。PS分析将时间序列中的变化量分解为不同的频率。当系统接近临界跃迁时，它倾向于表现出频谱变红，即在低频率下具有更高的变化[215]。PS标度指数β通过估计功率谱S(f)的斜率来计算，该功率谱来自标度关系
$$S(f) \sim f^{-\beta}.$$
从分析角度来看，这三个标度指数具有线性关系： $$\alpha = \frac{1 + \beta}{2} = 1 - \frac{\gamma}{2}$$ 。据报道，PS指标是一种有用的技术，其行为与相关的ACF(1)和DFA指标类似。此外，它还显示出为真实的地球物理系统（热带气旋）提供预警信号的迹象，而ACF(1)指标则失效 [214]。
除了从扰动中恢复较慢之外，自相关和记忆增加[参见公式(67)]，方差增加[以标准差衡量，参见公式(68)]是临界转变接近时临界减速的另一个可能指标。例如，Carpenter和Brock已经表明，在一个湖泊模型的分岔附近，方差会增加[216]。
跃迁前的闪烁现象。另一个值得注意的早期预警信号（EWS）是系统在临界跃迁附近于两个稳定状态之间来回振荡。这种振荡被称为闪烁现象，并在湖泊富营养化[217]和营养级联[218]模型中被观察到。
偏度和峰度。除了上述在灾难性分支点之前出现的早期预警信号外，在接近关键转变时还会观察到另外两个先兆，他们被视为早期预警信号，即状态分布的偏度和峰度的变化[219-221].偏度表示分布的不对称性——负偏度表示向右聚集，正偏度则表示相反的情况。偏度是分布围绕均值的标准化第三阶矩（如式72所示）。
$$\gamma = \frac{\frac{1}{n} \sum_{i=1}^{n} (y_i - \mu)^3}{\left[ \frac{1}{n} \sum_{i=1}^{n} (y_i - \mu)^2 \right]^{3/2}}.$$
类似地，峰度是衡量分布“峰态”的指标——正峰度表示峰值高于正态分布的峰值，而负峰度表示峰值低于正态分布的峰值。峰度是围绕分布均值的标准化四阶矩，估计如式73所示。
$$\kappa = \frac{\frac{1}{n} \sum_{t=1}^{n} (z_t - \mu)^4}{\left( \sqrt{\frac{1}{n} \sum_{t=1}^{n} (z_t - \mu)^2} \right)^2}.$$
2.3.4. 真实系统中跃迁的先兆
在上一节中，我们首先强调了临界转变之前可能在非平衡动力学中发生的临界点的理论背景。然而，在真实复杂系统中检测预警信号（EWS）仍然是一个巨大的挑战，例如气候、社会和生态系统。开发基于这些通用属性的可靠预测系统可以增强我们应对系统性故障的能力，并指导我们设计更具弹性的系统。
我们将简要回顾不同真实系统中转型的新兴先兆，包括气候、生态系统、医学和金融。当地球系统被迫跨越阈值进入新的气候状态时，就会发生突变的气候变化[222]。大规模、突发性和广泛性的气候变化包括石炭纪雨林崩溃[223]、新仙女木事件[224]、温室-冰室过渡[225]、丹斯伽德-奥施格事件、海因里希事件和古新世-始新世极热事件[226]。所有这些快速的气候变化都可以解释为临界转型[176]。例如，自相关性的显著增加被认为是八个著名的气候转型的先兆[157]。人们发现，闪烁现象早于新仙女木寒冷期的突然结束，这也可以被视为一种先兆[227]。
在生态学中，临界点分析也已成为研究的主要焦点。例如，在被过度捕捞的鱼类种群的失稳中发现了一种早期预警信号，过度捕捞导致鱼类种群波动增加[228]。早期预警信号的出现已在湖泊和海洋系统中得到证实[229,230]。在生理学中，癫痫发作和哮喘发作中发现了突变[174]。例如，闪烁可能发生在癫痫发作之前。在金融领域，市场动态可能包含指示突变的信息。例如，交易波动性增加可能发生在主要冲击之前[231]。有关真实系统中转变的其他先兆，读者可参考参考文献[176]。
2.4. 熵与复杂性
2.4.1. 引言
熵是统计力学中一个重要的概念。它是描述由较小组成部分构成的系统状态的一个特征量，已被用作复杂性的一般度量，具有广泛的应用。在经典热力学中，熵与不可逆过程中的能量损失相关，由鲁道夫·克劳修斯在19世纪50年代初提出。热力学熵S源自固定温度 $$T$$ 下的热流 $$\delta Q$$,
$$S = \int \frac{\delta Q}{T}.$$
需要注意的是，系统的熵只有在其处于热力学平衡状态时才有定义。统计力学中熵的定义是由路德维希·玻尔兹曼在19世纪70年代通过分析系统微观组件的统计行为提出的：
$$S = k_B \ln \Omega.$$
其中，S是宏观态的熵，$$k_B$$是玻尔兹曼常数， $$\Omega$$ 代表产生该宏观态的所有可能微观态的总数。从信息论的角度来看，克劳德·香农提出了非常通用的信息熵概念，它是信息论的基本基石，用于描述类似的信息损失[232]。信息熵是衡量接收前缺失信息多少的度量。信息熵的定义为：
$$S = -k_S \sum_{i} p_i \log p_i,$$
其中$$k_S = \frac{1}{\log(2)} $$（单位为比特），$$p_i$$是每个状态的概率。在量子统计力学中，熵的概念由约翰·冯·诺依曼（John von Neumann）提出，通常被称为“冯·诺依曼熵”。对于一个由密度矩阵 $$\rho$$ 描述的量子力学系统，冯·诺依曼熵为：
$$S = -k_B \operatorname{Tr}(\rho \log \rho),
$$
其中 $$\operatorname{Tr}
$$ 表示迹算子.此外，还存在许多其他类型的熵，如吉布斯熵、残余熵、近似熵、西奈-柯尔莫哥洛夫熵、样本熵、多尺度熵等。熵已被证明在许多现实世界系统中有用，包括DNA序列分析[233]、宇宙学和天体物理学[234-236]、经济学[237,238]以及气候系统[239-241]等领域。每种熵定义对某些系统效果更好，但对其他系统可能失效。我们将在下文中讨论熵具有三种相互关联的解释，作为衡量（i）不可逆变化；（ii）无序性；（iii）不确定性的量度。
2.4.2. 不可逆的熵
不可逆性的概念是理解熵的核心。一个不可逆的过程通常被称为不可逆过程。这个概念源于热力学。有研究表明，所有复杂的动态自然过程都是不可逆的[242]。对于一个经历不可逆过程的孤立系统，熵永不减少。这就是著名的热力学第二定律。
[图片]
为了更好地理解熵在不可逆过程中的行为，我们考虑卡诺热机和相应的卡诺循环。如图14a所示，给定一个带有压力P（外部）的活塞，以及两个热库，一个处于高温$$T_H$$，另一个处于低温$$T_C$$ ，活塞内部装有某种物质（单原子理想气体）。在一个卡诺循环中，热量 $$Q_H$$从高温热库流出，热量 $$Q_c$$ 流入低温热库，从而产生净功 $$W = Q_H - Q_c$$。卡诺设想了一个完全可逆的热机，卡诺循环通过以下四个步骤使活塞内外移动（见图14b，卡诺循环P–V图）。（1）（i→ii）：气体连接到高温热库，活塞在变化的压力和固定温度 TH 下向外移动。在这此步骤中，热量$$Q_H$$流入活塞。（2）（ii→iii）：活塞在变化的压力P下膨胀。（3）（iii→iv）：膨胀后的气体然后连接到低温热库，并在固定温度 $$T_C$$下被压缩。在此步骤中，热量$$Q_c$$流出。（4）（iv→i）：活塞被压缩并回到初始状态。在此步骤中，没有热传递。
活塞所做的净功W是图14b中P－V环线（积分）内的面积：
$$W = \int_{\text{cycle}} P \, dV = \text{Area inside PV Loop.}$$
根据理想气体定律：
$$PV = N k_B T$$
其中N是粒子数，活塞内理想气体的总能量由能量均分定理给出：
$$E = \frac{3}{2} N k_B T = \frac{3}{2} PV,$$
其中E代表动能。在第一步中，我们得到：
$$Q_H = E_{ii} - E_i + W_{i,ii} = \int_{i}^{ii} P \, dV = \int_{i}^{ii} \frac{N k_B T_H}{V} \, dV = N k_B T_H \log \left( \frac{V_{ii}}{V_i} \right).$$
类似地，对于第三步，我们有
$$Q_C = N k_B T_C \log \left( \frac{V_{iv}}{V_{iii}} \right).$$
对于其他两个步骤，没有热量流动，基于$$dE = -P dV = -\frac{N k_B T}{V} dV = \frac{3}{2} N k_B dT.$$我们有：
$$\int_{ii}^{iii} \frac{dV}{V} = \log \left( \frac{V_{iii}}{V_{ii}} \right) = \int_{ii}^{iii} -\frac{3}{2} \frac{dT}{T} = -\frac{3}{2} \log \left( \frac{T_C}{T_H} \right).$$
上式给出$$V_{iii} / V_{ii} = \left( \frac{T_H}{T_C} \right)^{3/2}$$和$$V_{iv} / V_i = \left( \frac{T_H}{T_C} \right)^{3/2}.$$因此$$V_{iii} / V_{ii} = V_{iv} / V_i$$，从而
$$\frac{V_{iii}}{V_{iv}} = \frac{V_{ii}}{V_i}.$$
将式（84）代入热流方程（81）和（81），我们得到卡诺的基本结果：
$$\frac{Q_H}{T_H} = \frac{Q_C}{T_C}.$$
我们定义在固定温度T下的热流 $$\Delta E = Q$$。则熵变$$\Delta S$$为:
$$\Delta S = \frac{Q}{T}.$$
注意，上式等同于式（74）。这意味着对于可逆卡诺热机，从高温热库流出的熵 $$Q_{\mathrm{H}} / T_{\mathrm{H}}$$等于从活塞流出的熵 $$Q_{\mathrm{c}} / T_{\mathrm{c}}$$，即没有熵的产生或消失。然而，对于任何不可逆的实际热机，熵都会增加。
2.4.3. 熵的无序性
传统上，熵的另一种解释是描述系统的无序性或随机性的度量。在热力学中，混合熵是当两种或更多不同类型的粒子混合而没有化学反应时熵的增加。考虑N个理想气体分子被分隔在一个具有两个相等体积V的容器中。总的混合熵 $$S_{\mathrm{un}}$$ 为[29]:
$$S_{\mathrm{un}} = 2k_B \log \left[ V^{N/2} / (N/2)! \right].$$
这里我们假设两种分离的理想气体具有相同的质量和相同的总能量。移除气体之间的隔板，让它们混合。然后混合熵$$S_{\mathrm{m}}$$ 变为：
$$S_{\mathrm{m}} = 2k_B \log \left[ (2V)^{N/2} / (N/2)! \right].$$
根据式（87）和（88），我们得到增加的熵,
$$\Delta S = S_{\mathrm{m}} - S_{\mathrm{un}} = Nk_B \left[ \log(2V) - \log V \right] = Nk_B \log 2.$$
上式意味着在混合过程中，每个分子的熵将增加 $$k_B$$log 2 。这是因为温度和压力相等，移除容器的隔板不涉及任何热传递，因此气体的混合（例如通过扩散）总是导致熵的增加。混合是自发的！初始分离的气体扩散导致熵增加。这个过程增加了分子的随机分布。因此，提出熵与复杂性（无序性）之间存在关系是合理的。
2.4.4. 熵的不确定性
熵的第三种解释是将其视为对复杂系统不确定性或未知度的度量。这种解释更为普遍，并且与信息和记忆密切相关。在这种解释中，熵并非一个固有属性，而是代表我们对系统的认知。
接下来，我们将聚焦于非平衡熵和信息熵来阐明释熵如何被解释为不确定性。热力学第二定律指出，孤立系统的熵永不减少，并且当且仅当所有过程都是可逆时，熵才保持不变。我们感兴趣的是如何定义非平衡系统的熵。通常，对于非平衡系统和平衡系统，我们都使用概率分布ρ来定义一个状态系综。给定离散状态集的概率分布，熵定义为
$$S_{\mathrm{discrete}} = -k_B \langle \log p_i \rangle = -k_B \sum_{i} p_i \log p_i,$$
其中 $$p_i$$是状态i的概率。在连续分布的情况下，熵变为
$$S_{\mathrm{continuum}} = -k_B \langle \log \rho \rangle = -k_B \int \rho \log \rho.$$
我们考虑一个微正则系综，其中 $$\rho_{\mathrm{equil}} = 1 / (\Omega(E) \delta E)$$，非平衡熵偏离了平衡熵（公式（75）），其熵为
$$S_{\mathrm{micro}} = -k_B \log \rho_{\mathrm{equil}} = k_B \log (\Omega(E) \delta E)$$
$$= k_B \log (\Omega(E)) + k_B \log (\delta E).$$
对于量子系统，非平衡熵可以通过密度矩阵 $$\rho$$来描述，如公式（77）所示。对于非热力学系统，温度变量不存在。因此，我们不需要使用玻尔兹曼常数 $$k_B$$，而是使用常数 $$k_S = 1 / \log(2)$$。那么公式（76）变为:
$$S_S = - \sum_{i} p_i \log_2 p_i,$$
这里熵的单位是比特。这被称为信息熵，由香农[232]引入。信息熵表示一个可能的消息或图像的系综，在通信技术（消息传递）和计算机科学（数据压缩）中具有重要意义。注意，非平衡香农熵满足以下性质：（1）在概率相等时达到最大值；（2）不受零概率额外状态的影响；（3）对于条件概率会发生变化。更多细节，读者可参阅参考文献[29]。
2.4.5. 近似熵、样本熵以及系统样本熵
接下来，我们将重点介绍几种熵，包括近似熵（ApEn）、样本熵（SampEn）和系统样本熵（SysSampEn），这些熵是为量化非线序列的复杂性而开发的。
$$近似熵 (ApEn)$$
近似熵（ApEn）由Pincus于1991年提出[243]，其灵感源自精确的规律性统计、柯尔莫哥洛夫 - 西奈（KS）熵[244]和$$K_2$$ 熵[245]。它被用作量化时间序列数据规律性的指标，尤其适用于相对较短且有噪声的数据集。近似熵在多个领域有着广泛的应用，从医学数据（如心率[243]）到金融系统[246]、心理学[247]和人因工程[248]等。
近似熵$$ApEn$$的定义：给定一个时间序列数据$$u(1), u(2), \ldots, u(N)$$。有N个时间上等距的原始数据。它构成了一个由x(1)到x(N - m + 1)的向量序列，其中x(i) = [u(i)，…，u(i + m - 1)]。这里，m是一个表示数据长度的整数。将向量x(i)和x(j)之间的嵌入距离d[x(i), x(j)] [249]定义为它们各自标量分量的最大差值。然后使用x(1)，x(2)，…，x(N - m + 1)，对于每个i ≤ N - m + 1，构造C_i^m(r) = （满足d[x(i), x(j)] ≤ r的j ≤ N - m + 1的数量）/ (N - m + 1)。这里，
$$d[x(i), x(j)] = \max_{k=1,2,\ldots,m} \left( |u(i + k - 1) - u(j + k - 1)| \right),$$
其中 r 是一个指定滤波水平的正实数。基于 $$C_i^m(r)$$，$$\text{ApEn}$$ 定义为
$$\Phi^m(r) = (N - m + 1)^{-1} \sum_{i=1}^{N-m+1} \log C_i^m(r).$$
对于固定的m和r，式(95)变为
$$\text{ApEn}(m, r) = \lim_{N \to \infty} \left[ \Phi^m(r) - \Phi^{m+1}(r) \right].$$
特别地，给定N个数据点，统计公式得以实现
$$\text{ApEn}(m, r, N) = \Phi^m(r) - \Phi^{m+1}(r).$$
需要注意的是，一种类似的熵，称为$$\text{Eckmann-Ruelle (E-R)}$$熵[244]，已被定义为，
$$\text{E-R entropy} = \lim_{r \to 0} \lim_{m \to \infty} \lim_{N \to \infty} \left[ \Phi^m(r) - \Phi^{m+1}(r) \right].$$
尽管$$\text{ApEn}(m, r)$$的算法与E-R熵非常相似，但它并非旨在作为E-R熵的近似值。与K-S、E-R和$$K_2$$熵相比， $$\text{ApEn}(m, r)$$具有以下优点[250]：(i)受噪声影响较小；(ii)对离群值具有鲁棒性；(iii)计算需求较低，且置信度良好；(iv)对于随机、含噪声的确定性和复合过程， $$\text{ApEn}(m, r)$$是有限的；(v) $$\text{ApEn}(m, r)$$的增加直观上对应着过程复杂度的增加。 $$\text{ApEn}(m, r)$$已被应用于对精神疾病（如精神分裂症[251]、癫痫[252]和成瘾[253]）的脑电图（EEG）进行分类。
$$样本熵 $$
受近似熵（ApEn）概念的启发，Richman和Moorman开发了样本熵（SampEn），用于评估生理时间序列信号的复杂性，诊断疾病状态[254]。样本熵（SampEn）是对近似熵（ApEn）的改进，但具有三个优点：（i）在广泛的操作条件下，样本熵（SampEn）统计量比近似熵（ApEn）统计量更符合具有已知概率特征的随机数理论；（ii）保持相对一致性；（iii）对于极短的记录长度存在残余偏差。
\text{SampEn}的定义：类似于\text{ApEn}的定义：给定一个包含N个点的时间序列，\{ u(j) : 1 \leq j \leq N \}构成了N - m + 1个\text{向量}\mathbf{x}_m(i)，其中\{ i | 1 \leq i \leq N - m + 1 \}。这里\mathbf{x}_m(i) = \{ u(i + k) : 0 \leq k \leq m - 1 \}是从u(i)到u(i + m - 1)的m个数据点组成的向量。两个向量之间的距离为d[X(i), X(j)] = \max\{ |u(i + k) - u(j + k)| : 0 \leq k \leq m - 1 \}，即它们对应标量分量的最大差值。设Bi为\mathbf{x}_m(j)中与\mathbf{x}_m(i)距离在r以内的向量数量，设Ai为\mathbf{x}_{m+1}(j)中与\mathbf{x}_{m+1}(i)距离在r以内的向量数量。这里r表示接受匹配的容差。将容差设为r \times SD（数据集的均方差）比较方便。则样本熵定义为：
$$\text{SampEn} = -\log \frac{A}{B}.$$
显然，A 始终小于或等于 B。因此，\text{SampEn} 始终为零或正数。\text{SampEn} 值越小，表明数据集中的自相似性越高或噪声越少 [254]。请注意，每次计算时参数 N、m 和 r 必须固定。
$$系统样本熵$$
上述熵的一个局限性在于，它只能应用于单变量或双变量时间序列（交叉近似熵）[254]。对于具有多变量时间序列和时空结构的复杂系统，孟等人提出了所谓的 $$\text{SysSampEn}$$ ，并将其应用于气候系统研究。基于 $$\text{SysSampEn}$$ ，他们能够测量由温度异常时间序列组成的系统的复杂性（无序性），并以1年的预测期高精度预测厄尔尼诺事件的强度[241]。
$$\text{SysSampEn}$$的定义：给定N个相互依赖的时间序列
$$\chi_{\alpha}(t) \ (\alpha = 1, 2, \ldots, N; \ t = 1, 2, \ldots, l)$$
长度为l的组成系统的：

[图片]
图15. 系统样本熵与厄尔尼诺强度的相关性。
来源：转载自参考文献[241]的图
1.我们选择长度为m < l的子记录k，从每个第q个数据点开始，即从t = k × q + 1 = 0 × q + 1、1 × q + 1、2 × q + 1、…开始，只要k × q + m ≤ l。因此，一个特定的子序列表示为X_{\alpha}^{k}(m, q) = \{ x_{\alpha}(k × q + 1), x_{\alpha}(k × q + 2), …, x_{\alpha}(k × q + m) \}。然后，我们从每个时间序列中选择n个子序列，并从系统中构造一组N × n个模板向量，即\Theta(m, q, n) = \{ X_{\alpha}^{k}(m, q) : 0 ≤ k ≤ n - 1, 1 ≤ \alpha ≤ N \}。我们假设，如果两个向量的欧几里得距离d(X_{\alpha}^{i}(m, q), X_{\beta}^{j}(m, q)) < \gamma × \max\{\sigma_{\alpha}, \sigma_{\beta}\}（如果\alpha = \beta，则i ≠ j），则它们是接近（相似）的，其中\sigma_{\alpha}和\sigma_{\beta}分别是时间序列x_{\alpha}(t)和x_{\beta}(t)的标准差。\gamma定义了相似性准则，是一个非零常数。
2.为了研究在m个数据点处相近的两个时间序列在接下来的p个数据点处仍然相近的概率，我们类似地通过选择长度为m + p的子记录来构造另一个集合$\Theta(m + p, q, n)$。为了使长度为m的模板向量数量等于长度为m + p的模板向量数量，我们选择$n \leq \frac{l - m - p}{q} + 1$。为了减少参数自由度并节省计算时间，我们取$p = q$，则$n \leq \frac{l - m}{p}$。我们假设，如果$d(X_{\alpha}^{i}(m + p, q), X_{\beta}^{j}(m + p, q)) < \gamma \times \max\{\sigma_{\alpha}, \sigma_{\beta}\}$（如果$\alpha = \beta$，则$i \neq j$），那么来自集合$\Theta(m + p, q, n)$的两个模板向量是相近的。
3.系统的\text{SysSampEn}定义为
$$\text{SysSampEn}\left(N, m, p, l_{\text{eff}}, \gamma\right) = -\log\left(\frac{A}{B}\right),$$(100)
其中A是来自\Theta(m + p, q, n)的近向量对的数量，B是来自集合\text{set }\Theta(m, q, n)的近向量对的数量，l_{\text{eff}}(n) = n * p + m是用于计算\text{SysSampEn}的天数。
请注意，当N = 1、p = 1且$l_{\text{eff}} = l$时，\text{SysSampEn.}等同于经典的\text{SampEn} [254]。由于只有某些特定的参数值组合才能相当准确地估计系统的复杂性，因此必须确定合适的参数值。为了实现这一点，Meng等人引入了两个测试 [241]：\text{空间异步性测试}和\text{时间无序性测试}。针对由Niño 3.4区域近地表空气或海表温度异常时间序列组成的气候系统计算了\text{SysSampEn.}。研究发现，厄尔尼诺强度与前一个自然年的\text{SysSampEn.}值之间存在很强的正相关性（图15A、B）。图15C展示了准确度水平的计算，这有助于选择有效的参数组合。
此外，为揭示\text{SysSampEn.}的数学意义，图16展示了逻辑映射，作为应用\text{SysSampEn.}估计系统复杂度并将其与李雅普诺夫指数进行比较的示例。研究发现，\text{SysSampEn.}的较高（较低）值与较高（较低）的李雅普诺夫指数密切相关，这表明\text{SysSampEn.}能够很好地捕捉系统的复杂度。
[图片]
图16. SysSampEn的一个逻辑映射示例，该示例能准确估计系统复杂度，即SysSampEn值越高，表明系统复杂度越高。对于每个系统，从逻辑方程xn+1 = µxn(1 - xn)生成10个时间序列，其中µ取值相同，µ ∈ [2.5, 4]，但初始条件x0不同，x0 ∈ [0.0001, 0.0002]。
来源：转载自参考文献[241]的图

3.应用
3.1. 气候系统
地球气候系统是一个高度复杂和相互作用的系统，正如世界气象组织（WMO）的全球大气研究计划（GARP）在1975年所定义的，它由五个主要组成部分构成：大气、水圈、冰冻圈、陆地表面和生物圈。1992年，联合国气候变化框架公约（FCCC）将气候系统定义为“大气、水圈、生物圈和地圈及其相互作用的总和”。图17显示了气候系统最重要组成部分及其潜在变化的示意图。大气是环绕固体行星的气体包层，为地球表面的大多数动物生命提供氧气。它是最不稳定和快速变化的组成部分。目前，大气主要由氮气（78.1%）和氧气（20.9%）组成。还有一些微量气体引起了人们对地球未来的极大关注，包括二氧化碳（CO2）、甲烷（CH4）和臭氧（O3）。它们被称为温室气体（GHGs），与水蒸气一起，为地球提供温室效应。它们的作用是保持地球温暖，但又不会太热。水圈是行星上的水，包括海洋、海、河流、湖泊和地下水。冰冻圈是地球表面水以固体形式存在的部分，包括陆地冰（包括冰架和冰川）、雪和海冰。它通过其高反照率对气候系统产生重大影响。冰盖体积的变化被认为是海平面上升的主要因素之一。陆地表面，即“固体”地球，形成了大陆、海盆、山脉等的分布。它影响着短波辐射向长波辐射的转化、地球表面的反射率、尘埃的储集层、陆地表面的动量和能量传递。生物圈是地球上所有生物的总和，包括陆地地块的有机覆盖物（植被、土壤）和海洋生物。它在不同储层之间碳的交换中起着至关重要的作用，例如大气中CO2的浓度，以及其他气体的平衡[255]。各组成部分之间存在着大量的相互作用，通过交换质量、热量和动量。例如，海洋-大气相互作用是一个强耦合系统，通过蒸发等方式交换水蒸气和热量。每个气候系统组成部分都在相当广泛的特征时间和空间尺度上运行。请注意，气候系统本身通常被认为是更广泛的地球系统的一部分[2]。
气候科学分析中的一个基本因素是气候数据，它提供了关于地球生态系统变化的信息，并为决策者提供了关于气候危机及其影响的可靠知识基础。一般来说，有两种数据收集方法来收集定量和定性的气候数据（也在第1.1节中简要讨论）：观测（仪器观测、替代指标和再分析）和气候模型模拟。气候系统的观测数据基于直接测量和来自卫星、雷达和其他平台的遥感。第一个气象站建立在欧洲和北美洲。仪器时代的全球尺度观测始于19世纪中期，用于测量温度和其他气候变量。自1950年以来，观测网络的增加和质量，以及支持数据收集和存储的技术迅速发展。古气候重建将一些替代指标记录追溯到数百年至数百万年前，包括珊瑚记录[10,256]，过去几千年的树轮记录[13]，以及石笋δ18O时间序列[12]，中地中海沉积物[11]和冰芯记录[257]。
[图片]
图 17. 全球尺度上气候系统最重要组成部分和相关过程的示意图. 来源：该图来自 IPCC 第四次评估报告 (AR4) [255]。© 2007 IPCC。经许可转载。
气候研究需要在长时间间隔内具有一致空间分辨率和准确性的数据。为了满足这一目标，一些数值天气预报中心已经开始生成所谓的再分析资料，这些资料是通过精细的数据同化技术获得的，该技术有效地结合了观测数据和数值数据。例如，欧洲中期天气预报中心(ECMWF) [258] 提供了以下再分析数据集：ERA5、ERA-Interim、CERASAT、CERA-20C、ERA-20CM、ERA-40、ERA-20C等等。(4) 美国国家环境预报中心(NCEP)和国家大气研究中心(NCAR)合作产生了NCEP-NCAR再分析I/II、20世纪再分析和北美区域再分析(NARR)5 [259]。JRA-25和JRA-55再分析6由日本气象厅(JMA)制作 [260,261]。请注意，这些再分析数据中的大多数气候变量或场与观测数据非常吻合，例如北半球大陆上的地势高度场。然而，在南半球或那些观测较差的区域，一些场仍然存在显著差异 [262–266]。更多细节总结于参考文献[267]中。
气候模型被认为是研究气候系统对各种强迫响应、在季节到年代的时间尺度上进行气候预测以及对未来一个世纪及更长时间的气候进行预测的主要工具。气候模型可以定义为基于物理、化学和生物学原理的气候系统的数学表示。气候研究中使用的模型范围从简单的能量平衡模型到复杂的地球系统模型（ESM），即使在高性能计算机上使用，这些模型也可能速度慢且成本高昂，并且结果可能只是近似值[17]。在此，我们简要概述气候模型的基本类型：（i）能量平衡模型提出了气候系统动力学的高度简化版本。它们是零维或一维模型，将地表温度描述为地球能量平衡的函数，其中维数（从零到三）是指模型域中使用的独立空间变量的数量。例如，全球平均地表温度$$\bar{T}_s$$ 可以表示为：
$$c \frac{d\bar{T}_s}{dt} = R_i - R_o$$
$$R_i = \mu Q_0 \left(1 - \alpha(\bar{T}_s)\right)$$
$$R_o = \sigma m(\bar{T}_s) (\bar{T}_s)^4.$$
此处，$$R_i$$ 和 $$R_o$$分别是吸收的短波辐射和射出的长波辐射。C是地球系统的热容量，单位为$$J\mathrm{m}^{-2}\ \mathrm{K}^{-1}$$ ，α是行星反照率; m是大气透过率，一个小于 1 的数字，代表地球大气层的温室效应;$$\sigma≈ 5.67 × 10−8 W \mathrm{m}^{-2}\ \mathrm{K}^{-4}$$是斯特凡-玻尔兹曼常数， µ是一个太阳辐射参数，对于当前条件等于 1。（ii）大气-海洋环流模式（AOGCMs）是 IPCC 第四次评估报告（AR）中评估的最全面的标准气候模式。它们被用于理解气候系统物理组成部分（例如，大气、海洋、陆地和海冰）的动力学，并用于基于未来温室气体和气溶胶强迫进行预测。（iii）地球系统模式（ESMs）是当前最先进的模式，它们通过包含各种生物地球化学循环的表示（例如碳循环、硫循环或臭氧）来扩展 AOGCM。这些模型提供了最全面的工具，可用于模拟气候系统对外部强迫的过去和未来响应，其中生物地球化学反馈起着重要作用。（iv）区域气候模式 RCM 是有限区域模型，其气候过程的表示与 AOGCM 的大气和陆地表面组成部分中的气候过程相当，尽管通常在没有交互式海洋和海冰的情况下运行。RCM 通常用于动态“降尺度”某些特定地理区域的全球模型模拟，以提供更详细的信息。此外，基于 GCM，开发了中等复杂性模型，以研究长时间尺度或以降低的计算成本研究地球系统 [20]。一个特殊的应用是在次季节尺度上实现对极端事件的可靠预测
总而言之，气候模型提供了气候系统变率和长期变化的全面视图。然而，评估和预测极端气候事件，如厄尔尼诺事件和极端降雨，仍然面临挑战。这些困难主要是由于内在的罕见和破坏性的自然条件造成的。它们受到天气模式、变率模式、热力学过程和各种反馈的强烈影响。在下文中，我们将深入而详细地描述第2节中介绍的统计物理方法如何应用于研究和（或）预测各种气候现象，如厄尔尼诺-南方涛动（ENSO）、印度夏季风（ISM）、极端降雨、大气环流和大西洋经向翻转环流（AMOC）。
3.1.1. 厄尔尼诺-南方涛动
El Niño-Southern振荡(ENSO) 是年际尺度上最重要的气候现象之一。如2.3节所述，ENSO可被视为地球系统的一个引爆因素。El Niño是ENSO的温暖阶段，与赤道太平洋中部和中东部的温暖海水带有关，有时被称为El Niño盆地[44]。ENSO的冷期被称为La Niña，东太平洋的海温低于平均水平。ENSO通过影响包括美洲、印度和周边热带大陆在内的全球温度和降水，对地球生态系统和人类社会产生了重大影响[268-270]。这些远程影响被称为远距连接[271]。
El Niño的定义:在本文中，我们使用海洋Niño指数(ONI)来定义和区分El Niño和La Niña事件。ONI是监测ONI的主要指标之一。它是根据赤道太平洋中东部一个区域的3个月运行平均SST距平(基于每5年更新一次的中心30年基期) 计算得出的，该区域称为Niño 3.4区域(5(◦)S至5(◦)N;170(◦)W至120(◦)W)，参见图18所示的Niño区域。如果ONI > +0.5(◦)C连续至少5个月，则该事件定义为El Niño;而当ONI连续至少5个月< - 0.5(◦)C时，相应的事件被视为La Niña。ONI用于noaa对ENSO阶段的操作定义。(7)还有一些其他指数来测量El Niño事件，如Niño 1+ 2、3、3.4、4和Trans-Niño指数。(8)除了SST外，ENSO还影响其他气候变量，如大气压梯度、上层洋流和温跃层深度[272]。
ENSO转变机制简述:下面，我们将描述ENSO的物理机制。比耶克内斯首先假设海洋-大气相互作用对ENSO至关重要，现在被称为比耶克内斯反馈[273]。这种正反馈机制被认为是ENSO发展所必需的重要机制。考虑热带太平洋中部/东部的初始SST异常。这种异常减少了东西向SST梯度减弱Walker环流[274]，导致西风异常。西风异常反过来又推动了海洋环流的变化(东风使赤道温跃层变浅并在太平洋东部引起上升流，使东部保持凉爽)，从而进一步加强了SST异常。由于正反馈，热带太平洋达到温暖状态，即El Niño。Tziperman和Yu指出，西风爆发虽然部分是随机的，但似乎是大尺度确定性ENSO动力学的固有组成部分[275]。
[图片]

除了正比耶克内斯反馈外，ENSO的振荡性质还需要一个负反馈来将耦合的海洋-大气系统从温暖(El Niño)阶段转变为寒冷(La Niña)阶段。自20世纪80年代以来，人们提出了不同的负反馈，包括延迟振荡器、西太平洋振荡器、充放电振荡器和射向反射振荡器。延迟振子是ENSO振荡性质的一种机制，由McCreary基于海洋西部边界的罗斯比波反射提出[276]。Suarez和Schopf引入了延迟振子来解释ENSO的振荡特征，以强调大洋西部边界上海浪反射的延迟效应[277]。Cane和Zebiak开发了第一个海洋-大气耦合模式，并用它来预测ENSO[278,279]。概念延迟振子模型表示如下:
$$\frac{dT}{dt} = AT - BT(t-\eta) - \varepsilon T^3,$$
式中，T为赤道东太平洋SST异常，A、B、η和ε为常数。式(102)右侧的第一项表示海洋和大气之间的比耶克内斯正反馈。第二项表示海洋西边界波反射的延迟负反馈。最后一项为三次阻尼项。已经发现，延迟振子忽略了西太平洋海洋-大气相互作用的作用，并假设海洋东部边界的波反射不重要[280]。
由于延迟振子没有考虑西太平洋异常模式，Weisberg和Wang[281]开发了ENSO的西太平洋振子模型。该模式强调远西太平洋赤道风异常在ENSO演变中起重要作用。西太平洋振子模式表示为:
$$\frac{dT}{dt} = a \tau_1 + b_2 \tau_2(t - \delta) - \varepsilon T^3$$,
$$\frac{dh}{dt} = -c \tau_1(t - \lambda) - R_h h$$,
$$\frac{d\tau_1}{dt} = dT - R_r \tau_1$$,
$$\frac{d\tau_1}{dt} = dT - R_{\tau_1}\tau_1$$,
$$\frac{d\tau_2}{dt} = eh - R_{\tau_2}\tau_2$$
式中，T为赤道东太平洋SST异常，h为赤道外西太平洋温斜深度异常，τ1和τ2分别为中太平洋和西太平洋赤道纬向风应力异常。所有模式参数均为常数。
研究发现，西太平洋海平面的上升和下降与ENSO有关[282]。基于这些思想，Jin[283,284]发展了ENSO的充放电振荡模型，该模型表示为:
$$\frac{dT}{dt} = CT + Dh - \varepsilon T^3$$
$$\frac{dh}{dt} = -ET - R_h h$$
式中，T为赤道东太平洋SST距平，h为赤道西太平洋温深距平。模式参数C、D、ε、E和Rh为常数。特别地，公式(108)和(109)表示热带太平洋热含量的排放和补给。Picaut等人[285]提出了ENSO射向反射振荡器的概念模型。他们发现，正反馈来自于东向西太平洋暖池(WPWP) 平流的海洋纬向流。有三种负反馈倾向于将WPWP推回西太平洋，包括:(1)洋西边界与波反射相关的纬向流异常，(2) 洋东边界与波反射相关的纬向流异常和(3)WPWP东边缘的平均纬向流辐合。与其他三种振子模式不同，平流-反射振子模式没有一组简单的启发式方程。相反，他们使用了由风异常强迫的线性风强迫海洋数值模式，风异常与第一个斜压开尔文波和第一个经向罗斯比波的纬向流有关[195]。此外，Wang[286]基于Zebiak和Cane耦合模型的动力学和热力学，以及之前所有的ENSO振子模型，建立了统一的ENSO振子海洋-大气模型，假设ENSO可能是一个多机制现象，它们的相对重要性可能取决于时间。统一ENSO振子模型表示为:
$$\frac{dT}{dt} = a \tau_1 - b_1 \tau_1(t-\eta) + b_2 \tau_2(t-\delta) - b_3 \tau_1(t-\mu) - \varepsilon T^3$$,
$$\frac{dh}{dt} = -c \tau_1(t-\lambda) - R_h h$$,
$$\frac{d\tau_1}{dt} = dT - R_{\tau_1}\tau_1$$,
$$\frac{d\tau_2}{dt} = eh - R_{\tau_2}\tau_2$$
式中，T、h、τ1和τ2分别代表赤道东太平洋海温异常、赤道西太平洋暖斜深度异常、赤道中太平洋纬向风应力异常和赤道西太平洋纬向风应力异常。对于给定的一组参数，公式 (110) -(113)可以在年际时间尺度上振荡。
El Niño预测
自20世纪90年代以来，动力学和统计模型都被用于模拟和预测El Niño事件，为社会提供了为暴雨、洪水和干旱等相关灾害做好准备的机会[287，288]。虽然目前CPC/IRI中大约有17个动态模型和8个统计模型常规提供ENSO预测，但高预测技能通常仅限于未来6个月左右，见图19中的描述。原因是存在所谓的“春季可预测性屏障”(SPB)，由于赤道海洋-大气系统的耦合反馈，误差被大大放大[289,290]。在春季之后，模式成功预测的能力变得越来越好。
一般来说，预测技能差可以分为两类:预测系统的不完善(包括，子网格尺度运动的模型参数化错误，数据点的相对稀缺性，数据测量的错误)，以及可预测性的基本限制[272]。基本限制通常来自于系统的复杂性和混沌性。
为了克服SPB在El Niño预测中的局限性，开发了几种基于神经网络的方法。例如，Ludescher等人通过分析CN发现，在变暖事件发生前一个日历年，存在一种大规模的合作模式，将El Niño区域与海洋的其他部分联系起来[291]。这种模式可能是由于El Niño作为CN中的一个自治组件的出现[61]。CN中使用的所有节点如图20a所示，其中El Niño盆地[61]内的14个网格点为红色，该区域外的193个网格点为蓝色。数据为NCEP/NCAR再分析i的日地表气温(SAT)，如第2节所述，第一步是通过减去每个日历日的气候平均值来去除季节趋势。然后是El Niño盆地之间的联系和外部(见图20a)均被考虑。各环节的强度W(i,j)(t)根据公式(15)计算。CN中动态链路的平均强度S(t)是通过对所有单个链路强度的简单平均得到的。图20b显示了学习阶段(上)和预测阶段(下)S(t)的时间演化。他们发现，在El Niño事件之前，S(t)倾向于增加。当S(t)超过阈值Θ= 2.82时，他们就会发出警报(见图20b)。通过接受者工作特征(ROC)类型分析(稍后解释)的预测精度比基于气候模型的12个月预测要好得多。基于这些关于CN时间演化的发现，Ludescher等人成功预测了2014-2016年El Niño事件的发生[292]。
[图片]
Fig. 19. Spring Predictability Barrier. The El Niño forecasting skill of models based on February–October observations to predict the November– January average value in the El Niño-3.4 region (see Fig. 18). Results are an average correlation coefficient from 20 models between 2002–2011.
Source: Figure is from NOAA.
图19。春季可预见性障碍。基于2 - 10月观测资料的模式对El Niño-3.4区域11 - 1月平均值的预测能力(见图18)。结果为2002-2011年间20个模型的平均相关系数。
来源:图来自NOAA
[图片]
图20. 气候网络和El Niño预测算法。a. CN节点。El Niño盆地内的每个节点(红色实体符号)与盆地外的每个节点(蓝色开放符号)相连。红色矩形表示Niño 3.4区域。b.红色曲线为CN的平均链路权值S(t)，水平线表示决策阈值Θ= 2.82，蓝色区域表示El Niño事件。当S(t)从下面越过阈值时，给出一个警报，表明El Niño事件将在下一个日历年开始。
来源:转载自参考文献[291]的图。
在这项工作的激励下，孟等人开发了一种结合气候、网络和渗透理论的多学科方法来预测El Niño的发生[65]。他们的方法可以提前1年预测El Niño事件，预测准确率高达70%，误报率仅为4%。与[291]不同的是，他们考虑了最初有726个孤立节点的全局CN。根据链路强度逐个添加链路，即首先添加权值最高的链路，然后继续选择权值递减排序的链路。在CN的演变过程中，他们发现网络的结构在El Niño事件发生前大约一年发生剧烈变化，因此建议使用最大簇(渗透簇)∆的最大尺寸变化[见公式(48)]作为基于渗透的前兆，来预测El Niño事件。此外，基于有限尺寸尺度分析，他们发现渗透过程是不连续的。
[图片]
图21. El Niño预测算法。a.红色曲线为Eq.(115)中定义的预测指标，蓝色线为ONI。水平黑色虚线表示FI = 0, ONI曲线下的蓝色阴影表示El Niño周期。绿色箭头表示真正预测，而黑色虚线箭头表示假警报。紫色箭头是2018-2019年El Niño事件的警报。b. 2012年5月以来FI(t)和ONI的详细视图。
来源:转载自参考文献[66]的图。
为了预测El Niño事件的发生和震级，孟等人开发了另一种复杂的基于网络的方法[66]。他们提出了一个新的基于CN链的预测指数，表示Niño 3.4区域不同站点之间低频时间温度异常变化的相似性。他们发现，该指数的显著上升趋势预测了El Niño事件大约提前1年发生，而自上次El Niño事件结束以来的最高峰预测了接下来事件的强度。在ERA-Interim、NCEP Reanalysis I、PCMDI-AMIP 1.1.3和ERSST.v5等多个数据集上对其指数进行了测试。他们将Niño 3.4区域的一致性/无序度定义为:
$$C(t) = \frac{2}{N(N-1)} \sum_{i=1}^{N-1} \sum_{j=i+1}^{N} C_{i,j}^{(t)}(\theta)$$，
其中N为Niño 3.4区域的节点数，为延时互相关函数的最大值，见式。(12)和式(13)。提出预测指数(FI)作为时间(月)的函数:
$$\text{FI}(t) = \frac{1}{m + 1} \sum_{a=0}^{m} \ln C(t - a) - \ln C(t)$$
其中a = 0表示ln(C)的平均值包括当前月份，而m是自1981年1月以来在t之前的月份总数。我们使用ERA-Interim数据集在图21中展示了FI和ONI的时间演变。根据FI的时间演变，他们成功预测了2018-2019年El Niño事件的发生，见图21b中紫色箭头上方的紫色星星。
请注意，可以使用FI的峰值来预测接下来的El Niño事件的强度。这个峰值是从上一个事件结束到一个新事件开始确定的，这意味着我们应该等到新事件开始发生。进一步提高预测技巧，特别是提前时间较长的震级预测。孟等人[241]开发了SysSampEn方法，详见2.4.5节。在公式(100)中定义，如图15a所示。El的震级与SysSampEn的相关性可达r = 0.99[见图15b]。他们进一步利用这种相关性来预测El Niño的大小，预测范围为1年，精度很高(即，单个数据集预测的平均值均方根误差= 0.23◦C)。特别是，对于2018-2019年El Niño事件，他们预测的弱El Niño震级为1.11±0. 23◦C，而观测值为0.9◦C。
最近，Feng等人将机器学习技术和气候网络结合起来，应用于El Niño事件的预测，特别是对El Niño事件的发生和NINO 3.4指数随时间的发展[293]。在参考文献[294]中，Petersik和Dijkstra应用高斯密度神经网络和分位数回归神经网络集成来预测ENSO。用于预测的经典机器学习模型通常只预测一个点值，例如ONI。相反，他们的模型直接预测了ONI的概率分布。特别是，他们发现他们的机器学习模型在1963年至2017年的评估期中，对于较长的提前期(提前12个月)具有高相关性技能(r = 0.5)。在参考文献[295]中，Ham、Kim和Luo使用迁移学习在历史模拟和再分析上训练卷积神经网络，并开发了热图分析。他们发现，采用深度学习方法的统计预测模型可以产生熟练的ENSO预测，预测周期长达一年半。文献[296]综述了基于现代机器学习和人工神经网络的ENSO预测。
[图片]

图22El Niño远程影响:远程连接，在北方冬季12月至1月至2月。降水和地表气温与ENSO暖期有统计可靠关系的地区。
来源:图经美国国家海洋和大气管理局许可转载。

ENSO的远程影响:遥相关
如上所述，ENSO现象主要发生在太平洋。然而，地球的大部分地区都能感受到它的影响。这些远程效应通常被称为远距连接，强调一个地方气候条件的变化可以影响到远离源头的地区[271,297]。遥相关通常由在两个不同地点或地区观测到的数值之间的相关性来表示。它与变率的模式有关，与大气波的传播、洋流的存在等有关。例如，与北大西洋涛动(NAO)和ENSO相关的远相关是可以在大气中找到的远程相关的主要例子。由于这些全球遥相关，El Niño导致太平洋中部降水增加，印度尼西亚和澳大利亚北部干旱，莫桑比克干旱和温暖，而美国西部则趋于湿润。图22显示了12月至1月至2月期间与El Niño相关的气候模式。已在一定程度上可靠地显示出受温暖ENSO阶段影响的区域被突出显示，例如，温暖vs。-冷和湿vs。-干燥异常。ENSO La Niña对冷相的影响在大致相同的区域，但符号相反。
ENSO远程影响的基本机制是通过罗斯比波等大尺度大气波在大气中产生的。罗斯比波是了解大气天气系统和海洋大尺度环流的基础。它们基本上取决于科里奥利参数随纬度的变化。在所谓的β-平原近似中，科里奥利参数随纬度线性变化
$$\beta = \frac{2\Omega}{R} \cos \phi$$，
其中φ为纬度，Ωis为地球自转的角速度，R为地球的平均半径。大气罗斯比波的波长约为6000千米。大气波动动力学类似于在海洋中观测到的ENSO，因为它们涉及到异常风对大气质量的转移，而异常风反过来又影响压力和风。
为了评估一个地区是否存在ENSO连接，Fan等人应用Pearson相关中枢神经网络方法研究了El Niño和La Niña的全球远程影响[64]。他们将Niño 3.4区域称为El Niño盆地(ENB)。中枢神经网络是基于NCEP/NCAR再分析和EAR-Interim数据集的全球每日SAT场，仅使用从ENB到ENB以外地区的定向链接(“内”链接)构建的。这些链接的强度是根据方程计算的。(12)、(13)、(15)。他们确定了互相关函数绝对值的最高峰的值，并表示相应的时间滞后为。一个CN的邻接矩阵变为

其中H(x)是Heaviside∑阶跃函数∑foryh (x≥0)= 1且H(x < 0) = 0。每个节点的“in”度和“out”度分别定义为Ii y =j Ay j,i, Oiy =j Ai,j，量化了进入一个节点或从一个节点流出的链接数。使用的ENB之外的每个节点的总“入”权重定义为
$$\text{IN}(C_i^{y'}) = \sum_{j \in \text{ENB}} A_{j,i}^{y'} C_{j,i}^{y'}(\theta)$$
$$\text{IN}(W_i^y) = \sum_{i \in \text{ENB}} A_{j,i}^y W_{j,i}^y$$.
$$\text{IN}(C_i^y)$$和$$\text{IN}(W_i^y)$$的值反映了ENB的影响。具体来说，如果一个节点没有“in”链接，则“in”度和“in”权值都为的值反映了ENB的影响。具体来说，如果一个节点没有“in”链接，则“in”度和“in”权值都为零，表示没有ENB的影响。根据ONI，将时间分为El Niño年、La Niña年和正常年。El Niño和La Niña的“in”加权度字段是通过取相同类型事件的平均值来计算的
$$\text{IN}(C_i) = \sum_{y \in \text{EY}(\text{LY})} \frac{\text{IN}(C_i^y)}{S}$$
$$\text{IN}(W_i) = \sum_{y \in \text{EY}(\text{LY})} \frac{\text{IN}(W_i^y)}{S}$$，
式中e $$S = \sum_{y \in \text{EY}(\text{LY})} I_i^y$$，“EY”和“LY”表示El Niño和La Niña开始的年份。定义入度为零的节点数为N (y)，每个节点的平均入权为
$$C^y = \sum_{i \notin \text{ENB}} \sum_{j \in \text{ENB}} A_{j,i}^y \left| C_{j,i}^y(\theta) \right| / N^y.$$
图23(a-d)显示，受El Niño和La Niña影响的区域具有相对较高的权重(使用C和W)。作为对比，El Niño年和La Niña年冬季(12月至2月)平均温度异常如图23(e-f)所示。图24显示了El Niño年和La Niña年期间受影响/未受影响区域的定量分析，其中红色和蓝色阴影分别强调了El Niño年和La Niña年。网络分析显示ENSO的强烈(高C(y))局域化(低N(y)) 影响，即这些较强的加权活动被发现集中在非常局域化的区域，而全球的很大一部分不受这些事件的影响(低低N(y)意味着受影响的节点较少)。
El Niño的多样性
据报道，有不同类型的El Niño事件，如典型的东太平洋(EP)和Modoki中央太平洋(CP)类型[298,299]。根据SST异常的空间格局进行分类。例如，与EP类型相关的最强SST异常位于南美洲海岸附近。然而，对于CP类型，最强的SST异常位于国际日期变更线附近。在文献[300]中，Wiedermann等人提出了一种基于进化cnn的指数，以客观区分不同类型的El Niño和La Niña事件。特别是，他们发现他们的网络指数在EP事件期间显示出一个尖峰，而在CP事件期间，它仍然接近正常年份的观测值。Lu等人在cnn分析的基础上，开发了一种新的方法来提前估计ElNiño事件的影响，并预测El Niño事件的类型[301]。
3.1.2. 印度夏季风
印度夏季风（ISM）是世界季风系统中最为突出的一个，对印度的农业生产和经济有着决定性的影响。印度夏季风带来了该国超过70%的年降雨量。对印度夏季风的时间（开始日期和结束日期）以及降雨量的预测对于印度次大陆来说至关重要，并且强烈影响着该国的国内生产总值，其中高达22%由农业决定[302]。时间上的轻微偏差，表现为延迟（或提前到达）可能导致严重的干旱（洪水）。此外，降雨量的波动，即使只有10%的变化，也可能导致严重的洪水或干旱，对基础设施造成破坏，并导致人口的作物和生计损失[303]。印度夏季风的开始是突然发生的，并且近几十年来，对于开始、结束和降雨量的长期提前业务预报几乎没有显示出任何技巧。
[图片]
图 23. 厄尔尼诺现象的远程影响：气候网络。(a), (c) 厄尔尼诺事件的“入”权重图（使用 C 和 W）。(b),(d) 厄尔尼娜事件的“入”权重图（使用 C 和 W）。(e), (f) 厄尔尼诺和厄尔尼娜期间的冬季（12 月至 2 月）平均温度异常。来源：转载自参考文献 [64]。
印度夏季风爆发和撤退预测
已经开发了几种统计气候模型，用于预测ISM的开始和结束日期，其时间尺度各不相同，从短期（最多4天）、中期（4-10天）[304,305]到延伸期（10-30天）和长期（超过30天）预测[306]。特别是，印度气象局（IMD）提前21天提供季风开始的预测，准确度为±4天。请注意，大多数ISM预测模型都基于输入值，包括SST、平均海平面压力、对流层湿度、湿静态能量、出射长波辐射、风场等[307–311]。然而，现有的预测方法仍然存在一些紧迫的挑战：（i）与非季风大气环流系统[312]有关的虚假季风开始；（ii）在9月1日之前预测撤退数据的局限性。
为了克服这些挑战，Stolbova等人提出了一种新颖的临界要素方法，以准确预测印度夏季风（ISM）的开始和撤退日期[95]。该方法依赖于两种方法的结合：气候网络分析和非线性动力学。首先，对极端降雨事件网络的分析能够识别并揭示最活跃的枢纽之间的遥相关性，即东部高止山脉（EG）和巴基斯坦北部（NP）。其次，通过对波动进行分析来应用非线性动力学，从而检测临界跃迁，这些跃迁被用于定义印度夏季风的临界要素。之后，选择EG和NP作为最佳观测地点或参考点（RPs），以预测印度夏季风的开始和撤退。研究发现，在这些参考点之间，存在一个关于海表温度（SAT）和相对湿度的临界点，这产生了一个非常成功的预测方案。
ISM CN 专注于季风区域 (62.5–97.5◦E，北纬 5.0–40.0◦N)，空间分辨率为 2.5 度，这导致 15 × 15 = 225 个网格点，见图 25。1000 hPa 附近的 SAT (T )、1000 hPa 的相对湿度 (rh) 和700 hPa的风场。首先计算每个格点上(T )和(rh)的方差σ 2，如[95]所示
$$\sigma^2(x, d, w, y) = \langle [x(t^*(y) - d - k) - \bar{x}(t^*(y) - d - k)]^2 \rangle_w =
= \sum_{k=1}^{w} \frac{1}{w} \left[ x(t^*(y) - d - k) - \sum_{i=1}^{w} \frac{x(t^*(y) - d - i)}{w} \right]^2,$$
其中，x(t)代表一个时间序列，w是时间窗口的长度，d是ISM开始前的天数，y是一个给定的年份，t∗(y)是给定年份y的开始日期。σ 2的时间平均值可以简单地表示为
$$\bar{\sigma}^2(x, d, w) = \langle \sigma^2(x, d, w, y) \rangle_y = \sum_{y=1}^{Y} \frac{\sigma^2(x, d, w, y)}{Y},$$
其中Y代表总年数。结果如图25所示。已经证实，当接近季风开始日期时，对于T和rh，EG和NP区域的σ ̄ (2)增长最高。进一步发现，在1951年至2014年期间的平均时间序列的RP中存在两个交点。在两个交点处，它与IMD确定的开始和撤退的平均值重合，EG区域的标准偏差为±5天，见图26。因此，这允许基于RP中T和rh的趋势，推导出用于预测EG中ISM开始和撤退的预测方案。
[图片]
图24. 厄尔尼诺-南方涛动（ENSO）的强局部影响。(a) 海洋尼诺指数（ONI）随时间的变化。(b) 有入链的节点数量随时间的演变。(c) 每个节点的平均入链权重随时间的演变。厄尔尼诺和拉尼娜时期分别用红色和蓝色阴影突出显示。
来源：转载自参考文献[64]的图

[图片]
图25. 近地表气温T周均值的波动方差σ¯²（定义见式(121)）在季风前的增长情况。(a) 印度夏季风（ISM）在东高止山脉（EG）爆发前21天，(b) 7天，(c) 1天，d = c - a。合成分析时段为1958 - 2001年，数据来自ERA40再分析数据集，700 hPa风场用蓝线表示。两个方框代表关键区：巴基斯坦北部（NP，蓝色）和EG（粉色）。(e) 在接近季风爆发日期时，NP（蓝色）、EG（粉色）以及印度次大陆（IS）平均的波动方差增长情况。
来源：参考文献 [95] 中的图。

接下来，对两个RP进行线性趋势估计，并与训练期（1951-1965年）的平均时间序列的趋势进行比较。RP趋势的斜率提供了对季风早、正常或晚到达的估计：大于平均斜率的T将导致比平时更早的开始，反之亦然。RP中rh的趋势与训练期的平均趋势相比，增加了对开始的可预测性：高于平均值的相对湿度导致较晚的开始，反之亦然。
研究还发现，ISM的开始与EG和NP中的T相等之日相吻合（见图26a）。因此，为了预测开始时间，应该预测EG的T何时会突然下降并与NP的T相交。最后，撤退的预测方案是基于NP在一年中T变化的对称性。撤退时间估计为NP中预计的T下降与季风季节期间EG中的T的交点（见图26c）。
如果预测的开始时间与实际开始时间的时间差为≤ 7天，预测的结束时间与实际结束时间的时间差为≤ 10天，则认为预测是成功的[95]。所提出的使用T的方案在一年中的第125天（4月10日）进行预测时，能成功预测74%的开始时间。在第205天（7月25日）进行预测时，该结束时间预测方案在84%的年份中取得成功。基于此预测方案，他们成功预测了自2016年以来EG地区的开始和结束时间。
ISM降雨量预测
印度夏季风（ISM）是最突出的季风系统之一。它影响着印度次大陆，是该地区最古老、最受期待的天气现象之一。人们已经提出了几种理论来解释季风的潜在机制。例如，海陆风理论：由于陆地和水的比热容差异，大陆比海洋升温更快。因此，沿海陆地上方的空气比海洋上方的空气升温更快。与海洋上的气压相比，这些在沿海陆地上方形成了低气压区域，导致富含水分的风从海洋流向陆地。当到达陆地时，这些风由于地理起伏而上升，绝热冷却，导致地形雨。然而，对印度夏季风的理解和可预测性仍在不断发展。
全印度降雨指数（AIRI）是印度次大陆整个区域6月至9月印度夏季风（ISM）降雨量的平均总和。它是印度气象局（IMD）监测印度夏季风降雨量[313]的主要指标。对印度夏季风降雨量（ISMR）进行准确的长期预测对于采取及时行动和缓解活动至关重要。在过去的几十年里，人们已经做出了巨大的努力来理解季风的基本物理原理，并提高全印度降雨指数（AIRI）的预测技巧[314–320]。然而，这两种方法都面临着与预测因子之间关系不稳定的挑战，正如近年来观察到的那样，由于边界强迫与印度季风之间的耦合减弱[321,322]。特别是，印度气象局（IMD）统计模型做出的官方业务预报的预测技巧（互相关）在1989-2012年为−0.12，五个集合模型的多元模型集合为0.09，四个亚太气候中心/气候预测与应用项目（APCC/CliPAS）模型的多元模型集合技巧在1989年后为0.24。研究发现，最近的失败很大程度上是由于这些模型无法捕捉到近期全球变暖期间出现的新可预测性来源[303]。
传统上，尼诺3或尼诺3.4区域4月至5月的海表温度异常被用作印度夏季风降水（ISMR）预测的预测因子。这是因为印度夏季风降水的变化主要由东太平洋厄尔尼诺（EP-ENSO）通过热带遥相关驱动[314,315]。然而，近几十年来，印度全印度降雨指数（AIRI）和东太平洋厄尔尼诺之间的这种反向关系已经减弱[270]。研究发现，中太平洋厄尔尼诺（CP-ENSO）也具有独特的遥相关，并对印度夏季风降水产生影响[324]。基于这种物理机制，Wang等人[303]提出了四个物理-经验的印度全印度降雨指数预测因子，即东太平洋厄尔尼诺预测因子（EPT）、中太平洋厄尔尼诺预测因子（CPT）、巨型厄尔尼诺预测因子（PSH）和异常亚洲低压（NAT）。EPT定义为：5月减去3月的海表温度东西向偶极子趋势：DSST(∗) (20◦S-5◦N, 150◦E–170◦E)减去DSST (10◦S–10◦N, 110◦W–80◦W); CPT定义为：5月减去4月的海表温度南北向偶极子趋势：DSST† (10 ◦–25◦S, 170◦E–160◦W)减去DSST (5◦–20◦N, 180 ◦–150◦W); PSH定义为：4月至5月平均海平面气压，在(40 ◦ S–10◦S, 160◦W–90◦W)和(10◦N–30◦N, 180◦–130◦W);范围内平均；NAT定义为：5月减去3月的海平面气压，在(45◦N–60◦N, 95◦E–125◦E)范围内平均。DSST(∗)表示5月和3月之间的海表温度差异（5月减去3月）。DSST†表示5月和4月之间的海表温度差异（5月减去4月）。这些预测因子（EPT）在1989-2012年期间产生了0.51的独立预测技巧，在1921-2012年期间产生了0.64的92年回顾性预测技巧。然而，该模型的预测提前期非常短，即从5月（提前一个月）或6月（印度气象局的业务模型）开始。
[图片]
图 26. ISM 开始日期 (OD) 和撤退日期 (WD) 的预测：2012 年案例研究。左列：OD 的预测；右列：东高止山脉 (EG) 的 WD。(a), (c): 1000 hPa 的气温；(b), (d) 1000 hPa 的相对湿度。来自参考点的时间序列：14 年平均值（黑色）和 2012 年巴基斯坦北部 (NP)（蓝色）和 EG（红色）的值。灰色线显示来自 NP 和 EG 的 14 年训练期间的时间序列。饱和温度 Tsat(a) 和饱和湿度 rhsat(c) 用水平黑色实线标记 (Tsat = Tonset, Tonset 和 rhsat 计算为 EG 和 NP 训练期间平均时间序列的交点)，饱和日期 (dsat)（当 2012 年 EG 的温度达到 Tsat) 时）用垂直深蓝色线标记。橙色线表示 NP 和 EG 训练期间平均时间序列的趋势，浅蓝色是 2012 年的趋势。黑色实线表示训练期间 OD (⟨OD⟩) 和 WD (⟨WD⟩) 的平均值。垂直虚线灰色线对应于预测的开始日期 (ODp) 和撤退日期 (WDp)，而垂直实线灰色线是 2012 年的实际开始和撤退日期。来源：参考文献 [95] 中的图。
为了实现对印度夏季风（ISM）降水的长期可靠预测这一目标，Fan等人基于全球近地表气温场[323]构建了一系列动力和物理耦合的网络。研究发现，有向加权复杂网络的一些特征可以作为印度夏季风降水预测的有效长期预测因子。所开发的预测方法利用前一历年的数据，提前5个月进行预测，预测技巧达到0.5。该预测技巧与当前最先进的模型相当，但提前期较短（即在一个月内）。新的基于网络的预测方法描述如下。
气候网络构建：基于NCEP/NCAR再分析逐日SAT异常数据，为从1948年至今的每个日历年构建一个气候网络。在这项工作中，选择了726个节点，以使全球得到近似均匀的覆盖 [61]。连接强度和方向是基于节点温度异常时间序列之间的相似性度量来确定的[参见公式(12)–(16)]。只有当一对节点的连接强度在前5%的正强度范围内时，才定义为连接，这也对应于高于95%置信水平的统计显著性。
网络预测因子挖掘：为了挖掘AIRI的动态网络预测因子，计算观测到的AIRI与全球每个节点i的网络入度Kiy时间序列之间的互相关[参见公式(6)]。由于自1989年以来，AIRI在IMD业务预报和其他模型中的预测能力变得非常差[303]，因此将记录分为两个连续的时期，即（i）1950-1988年作为训练期，以及（ii）1989-2018年作为回顾性预报期。对于训练期，相关系数如图27a所示。发现一些节点的入度指数能够很好地捕捉AIRI的行为。特别是，具有最大相关性r的节点（在图27a中黄色框标记的区域内）位于南大西洋[(30◦S，30◦W)]。图27b显示，此最大相关性的值为r = 0.49，学生t检验的显著性为p < 0.01。因此，该关键节点的入度指数被认为是AIRI的优化网络预测因子。
[图片]
图 27. 基于气候网络的ISM降雨量预测示意图。(a) 所有节点在训练期间观测到的AIRI与入度时间序列之间的相关系数。(b) 在训练期间，观测到的AIRI与优化的网络预测因子（即黄色框中关键节点的入度时间序列）的散点图。(c) 在1989-2018年预测期间，观测到的AIRI与预测的AIRI的散点图。(d) 南大西洋关键节点与印度次大陆之间的遥相关路径。面板(a)中的黑色×表示相关性在95%置信水平上显著的区域（Student’s t-test）。面板(c)中最近五年以红色突出显示。颜色和灰色箭头描述了面板(d)中2014年8月12日印度夏季风季节850 hPa风的大小和方向。来源：转载自参考文献[323]中的图。
AIRI预测：接下来，测试网络预测器在1989-2018年期间的预测能力。为了获得特定年份的AIRI预测值，将预测年份的预测变量值（即，前一年关键节点的网络入度）代入最小二乘线性回归方程。用于预测的这个方程仅使用过去的信息推导得出。1989-2018年期间的独立预测技巧变为∼ 0.50，这明显高于IMD的业务预测技巧[参见图27c]。结果表明，基于网络的预测器具有良好的准确性，且提前期长达5个月。最后，基于2018年的数据，2019年的AIRI预测为949.87毫米，与长期平均值887.5毫米相比，偏差百分比为7%。2019年AIRI的实际值为968.3毫米。
[图片]
图 28. ISM降雨预报的物理机制。季节平均（6月-9月）Niño 3.4海表温度与(a)海表温度，(b)每个格点降雨量之间的相关性。具有统计显著性（95%置信水平）的相关性用点表示。来源：重印自参考文献[323]的图。
在下文中，将讨论一种可能的物理机制。从气象学的角度来看，西南大西洋中纬度关键节点的位置与印度次大陆之间的遥相关并非巧合。由于与中纬度西风带（地表30°S和60°S之间的西风）的相互作用，南美大陆东海岸的地形容易在中纬度形成反气旋。此外，还存在南极急流的影响，它出现在高空西风带中。南极急流的加速/减速分别诱导低/高压区域，这与气旋和反气旋的形成有关。由于南极急流的强度具有季节性和年际变化，因此它与以关键节点位置为中心的环流强度的变化同步。一种可能基于数据的遥相关路径如图27d所示。因此，关键节点的位置可以看作是南大西洋环流、南极急流和印度洋上空主要大气环流模式的枢纽。这解释了为什么我们观察到关键节点的网络特征与AIRI之间存在显著的相关性。
进一步的分析表明，其物理机制与以下因素有关：（i）网络延迟的ENSO遥相关，即入度指标在厄尔尼诺发生的前一个日历年局部最小。（ii）ENSO-季风遥相关[270,325,326]，即AIRI异常与Niño 3.4 SST异常指数呈负相关。图28展示了Niño 3.4 SST异常指数与所有节点的SST以及降雨指数之间的空间相关图。这些结果表明，Niño 3.4 SST异常指数与赤道印度洋的SST显著负相关，并且严重影响印度陆地地区的降雨模式。
[图片]
图 29. 印度次大陆极端降雨事件同步 CN 的度中心性。极端事件阈值为 (a) α = 94% 和 (b) α = 90%。来源：参考文献 [92] 中的图。
此外，基于网络的方法也可以成功地应用于预测印度同质区域的降雨，作为一种预测方案，包括两个特定的同质区域[323]：（1）印度中部降雨指数；（2）印度东部和东北部降雨指数。此外，有确凿的证据表明气候变化会影响预测技巧。过去70年里显著的变暖趋势——关键节点区域850 hPa温度升高了2.5 ◦C——对关键节点区域产生了重大影响。观察到入度指数的增加以及网络本身结构的改变。与这些变化同时发生的是，这种预测方法对ISM降雨量的预测技巧正在大幅提高[323]。
3.1.3. 极端降水
自20世纪50年代以来，极端降水事件带来了更多降雨，且在世界许多地区变得更加频繁。强降水可能对我们的社会构成威胁。最直接的影响是洪水威胁。在城市和农业地区，这种风险可能会加剧。除了洪水，极端降水还会增加山体滑坡的风险。过多的降水还会降低水质，危害人类健康和生态系统。因此，预测极端降雨事件并为其建立预警系统至关重要。然而，分析此类事件协变的空间模式具有挑战性，因为基于协方差矩阵主成分分析的传统技术只能捕捉数据的前两个统计矩。
印度极端降雨
为了克服这些挑战，Malik等人应用\text{CNs}方法分析了\text{ISM}期间极端降雨的时空模式[92,328]。该方法基于事件同步法（见第2.1.3节）。在文献[328]中，数据集是1961 - 2004年的日降水格点数据集，它是“亚洲降水高分辨率观测数据集成用于水资源评估”项目的一部分。11然后，他们提取了南亚地区0.5度分辨率的数据。为了计算事件同步，选择了\alpha = 94^{\text{th}}百分位数和\alpha = 90^{\text{th}}百分位数这两个不同的阈值来获取极端事件时间序列，分别对应特大暴雨和大暴雨事件。接下来，他们计算了每个格点i和j之间的同步强度Q_{ij}和延迟行为q_{ij} [见式(20)]。归一化后，有0 \leq Q_{ij} \leq 1和-1 \leq q_{ij} \leq 1，其中Q_{ij} = 1表示完全同步，Q_{ij} = 0表示没有同步；q_{ij} = 1表示i处的事件先于j处的事件。然后，通过仅选择显示强相关性的站点对来构建CN，并使用事件之间的时间滞后定义链接方向。
研究了印度夏季风（ISM）期间印度极端降雨的空间结构、组织和尺度。图29显示，CNs的度中心性[见公式(4)]揭示了季风极端降水的明确空间结构[92]。基于使用球面地球投影到平面的公式计算的连接地理长度的中位数，发现极端降雨事件在大部分地区的同步范围可达250公里。他们进一步发现，这种空间组织为及时预测季风降雨活动的可能空间范围提供了可能性，例如，对于大部分次大陆地区，预测精度\epsilon高于70%，在某些地方甚至可达100%[92]。
南美极端降水
这种事件同步CN方法也被用于预测南美洲安第斯中部的极端降雨事件[94]。基于实时卫星反演的降雨数据TRMM 3B42V7 [329]，博尔斯等人能够预测安第斯中部超过99百分位的降雨事件中的60%以上，在厄尔尼诺现象期间甚至能预测90%。向北移动的锋面系统与从亚马逊西部到亚热带的低空风通道之间的相互作用被认为是其成因机制。
极端降雨事件被定义为在空间范围（85°W，30°W）和（40°S，15°N）内，所有12月 - 1月 - 2月季节中阈值α = 99%的时段，空间分辨率为0.25°，时间分辨率为3小时，时间跨度从1998年到2012年。在构建事件同步CN（见第2.1.3节）之后，网络散度$$\Delta S$$被定义为
$$\Delta S_i := S_i^{\text{in}} - S_i^{\text{out}} := \sum_{j=1}^{N} A_{ij} - \sum_{j=1}^{N} A_{ji},$$
其中Sin和Sout分别代表每个节点的入强度和出强度。$$\Delta S$$的正值表示网络的汇；负值表示源。流入和流出区域R的强度为
$$S_i^{\text{in}}(R) = \frac{1}{|R|} \sum_{j \in R} A_{ij},$$
$$S_i^{\text{out}}(R) = \frac{1}{|R|} \sum_{j \in R} A_{ji},$$
其中|R|表示R中包含的网格点数。
图30a展示了网络散度$$\Delta S$$（在式(123)中定义），该散度用于估算南美洲极端降雨的动态变化和时间顺序。标记为1至7的方框用于追踪极端事件。研究发现，降雨网络中最显著的源区是南美洲东南部（SESA），其定义为范围从(60°W, 53°W)到(35°S, 30°S)的方框。图30b描绘了在SESA发生极端事件后的2天内，同步极端事件发生的位置，由Souti(SESA)测量得出。为作比较，Souti(SESA)在图30c中展示。该分析表明，SESA的极端事件之后，会沿着安第斯山东坡的狭窄地带直至玻利维亚西部出现极端事件，而它们仅在西南部的极端事件之后发生。基于极端降雨从SESA向安第斯山脉中部东部（ECA）的传播，见图30d，在SESA发生极端降雨后的2天内，对ECA的极端降雨进行了预测。需要注意的是，这些极端降雨事件无法通过其他方法进行预测。
全球极端降水
Boers等人[96]还应用事件同步CN方法来研究极端降雨的全球模式。使用的是1998 - 2016年期间，从北纬50°到南纬50°、日时间分辨率的经雨量计校准的卫星衍生降雨数据集TRMM 3B42 V731。极端降雨事件阈值为6 - 8月雨季（>1毫米）的第80、81、……、99百分位。请注意，连续降雨超过阈值的天数被视为单一事件，并记录在发生的第一天。为研究该方法的稳健性，还对全球降水气候学计划32和NCEP/NCAR再分析1数据进行了测试。
首先，计算每对节点的极端事件同步性（见第2.1.3节）。如果对应的同步值显著（p < 0.005），则在两个节点之间添加网络链接。研究了显著同步发生的空间距离的全局分布。这种分布遵循幂律p(d)⇓ d↔α衰减，对于距离d < 2500 km，指数α非常接近1，但对于更长的距离则呈现超幂律行为。尺度断点表明，显著链接可以分为两类：（i）与区域天气系统相关的链接，距离可达2500 km，包括中尺度对流系统和热带气旋；（ii）与全球尺度遥相关相关的链接。一般认为，这种遥相关是由大规模大气环流引起的直接信号传输，或由这些环流扰动触发的传播波造成的[96]。在图31中，展示了南亚中部（SCA）95%分位数以上事件的遥相关模式。明显存在连接SCA与东亚、非洲热带地区、欧洲大部分地区、北美东海岸以及南半球温带地区的显著链接束。进一步分析表明，罗斯贝波可被视为这些全球遥相关模式的物理机制。
3.1.4. 大气环流与全球变暖
地球大气主要由环绕我们星球的气体组成，其大气环流模式将空气从一个位置移动到另一个位置，并从地表移动到高海拔地区。大气环流受地球自转、气压、地形、洋流以及温度、盐度等差异的控制。
环流的纬度结构
由于太阳能输入的纬度梯度是大气环流的主要驱动因素，因此其主要特征取决于纬度。我们在图32中展示了地球上大规模大气环流的理想化描述，该图示意性地表示了环流的主要特征，无论是在纬度-高度平面上还是在水平方向上，但尚未考虑由于大陆、海洋等引起的经度变化。这代表了所有经度的平均环流，称为纬向平均。正如我们所见，在两个半球中都有三个大规模的对流单元。
[图片]
图 30. 南美洲极端降雨事件同步 CN。(a) 网络散度，∆S，定义为每个节点的入强度和出强度之差（参见公式 (123)）。标有 1 到 7 的方框用于跟踪极端事件。(b) SESA 的出强度，Siout(SESA)，它是限制在 SESA 的平均出强度（参见公式 (124)）。(c) SESA 的入强度，Siin(SESA)，它是限制在 SESA 的平均入强度（参见公式 (125)）。(d) 沿 (a) 中指示的方框序列，从 SESA 到 ECA 的极端降雨事件的时间演变。来源：参考文献 [94] 中的图。
（i）哈德莱环流是一种热力驱动的、翻转的环流，倾向于在热带上升，并在稍高的纬度下沉。来自赤道附近地表的变暖通过对流云向上输送穿过一个深层。上升的空气向极地方向扩散并缓慢冷却，返回到地表，然后向赤道移动。粗略地说，哈德莱环流将热量输送到大约30◦latitude，而瞬时天气扰动的平均效应将热量进一步向极地输送。
（ii）费雷尔环流也被称为中纬度环流。在费雷尔环流中，近地面空气向极地方向和东方向流动，而在较高海拔处则向赤道方向和西方向流动；这种运动与哈德莱环流中的气流方向相反。它是第一个解释南北半球纬度35◦和60◦之间西风带的环流。
(iii)极地环流圈是最小且最弱的环流圈，其范围从南北纬60◦和70◦之间延伸至两极。这些环流圈中的空气在最高纬度地区下沉，并在地表向较低纬度地区流动。请注意，基于纬度的大气环流理想化图景是一个合理的初步近似，但陆地-海洋的对比以及经度上的其他变化也很重要。
[图片]
图 31. 全球极端降雨事件同步化CN。南亚中区（SCA）95%分位数以上事件的遥相关模式。(a) 连接到SCA的链接，在校正多重比较偏差之前。(b) 连接到SCA的链接束，在校正多重比较偏差之后。来源：参考文献[96]中的图。
气候变化对大气环流的影响
气候变化强烈影响大气环流模式，特别是哈德莱环流，它通过向极地输送能量和热量，在地球气候中起着关键作用[330–332]。一项对卫星观测的分析表明，从1979年到2005年，哈德莱环流向极地方向扩张了2◦纬度[330]。关于哈德莱环流变化及其与全球变暖之间关系的一种可能机制已被报道[331]。此外，[332]中提出了哈德莱环流强度变化及其与全球变暖之间关系的一种可能机制。上述观测和理论都表明，在全球变暖的情况下，哈德莱环流会减弱并向极地方向扩张。
众所周知，亚热带干燥区和主要热带/亚热带沙漠的地理位置与哈德莱环流的下沉分支有关[333]。因此，哈德莱环流的极向扩张可能导致一些热带/亚热带地区在未来变得更加干燥[331]。此外，热带气旋最大强度位置的极向迁移也被认为是哈德莱环流扩张的结果[334]。哈德莱环流的强度是使用观测到的纬向平均经向风在流函数 [335]中计算得出的。
$$[\overline{V}] = \frac{g}{2\pi R \cos \phi} \frac{\partial \Psi}{\partial p},$$
[图片]
图 32. 大气环流主要特征示意图。平均环流被理想化为独立于经度且关于赤道对称。来源：该图来自https://courses.lumenlearning.com/geophysical/chapter/global-atmospheric-circulations/。
其中V是气压坐标中的经向速度，R是地球的平均半径，p是气压。算子¯和[ ]分别代表时间和纬向平均。在计算Ψ场时，我们通常假设大气层顶部Ψ = 0，并将公式 (126) 向下积分到地表。哈德莱环流在冬季比夏季强得多。为了量化哈德莱环流的边缘，首先确定500 hPa处Ψ绝对值的最大值(Ψ500)，然后将边缘识别为最大值以北第一个Ψ500变为零的纬度[331]。哈德莱环流的理论表明，经向范围应与对流层顶的高度H成比例[336]
$$\phi_H \sim \left( \frac{g H \Delta_H}{\Omega^2 R^2} \right)^{\frac{1}{2}},$$
其中H是由温度数据计算得出的，作为递减率降至2 ◦C/km时的最低压力水平[337]，∆H是对流层平均经向位温梯度，Ω是地球的角速度。根据热力学方程和质量连续性方程[335]，环流的经向翻转流函数Ψ的尺度为：
$$\Psi \sim \left( \frac{g H \Delta_H}{\Omega^2 R^2} \right)^{\frac{3}{2}} \frac{R H \Delta_H}{\tau \Delta_V} \propto \frac{H^{\frac{5}{2}} \Delta_H^{\frac{2}{5}}}{\Delta_V},$$
其中 ∆V 是热带对流层的干静态稳定度，τ 是环流的特征翻转时间尺度。
尽管对卫星观测和气候变化模拟的传统分析表明哈德莱环流存在极向扩张，但仍然存在两个挑战。（i）这种扩张的经纬度结构尚未完全解决。（ii）与模型和理论考虑预测强度降低相反，在再分析数据集中发现哈德莱环流强度呈增加趋势[338]。为了克服这些尚未解决的问题，Fanet al.开发了一种基于网络和渗透框架的方法，以研究气候变化对大气环流的影响[67]。他们发现在气候网络演化过程中存在一个突变，表明与热带地区相对应的最大集群持续向极地扩张，以及热带地区连接强度的减弱。这在再分析数据和CMIP5模拟中均有发现。观测到的热带集群扩张的潜在机制与哈德莱环流的减弱和扩张有关。
[图片]
图33. 大气环流的网络渗流方法。CN组件结构的快照。(a) 刚好在渗流阈值之前。(b) 巨型簇相对大小G1与总链路数分数r的关系，针对真实（红色）、空间混洗（蓝色）和时间混洗（紫色）记录。(c) 刚好在跨越簇形成之前（在r ⇔ 0.8处的第二大跳跃处）。(d) 全球范围内链路权重Wi,j的PDF，在真实（实线）和混洗（虚线）数据中。垂直线（橙色）表示在渗流阈值rc ⇔ 0.53处临界链路的强度Wc。
来源：转载自参考文献 [67] 的图。

在参考文献[67]中，气候网络被嵌入到一个二维晶格中，其中只考虑最近邻连接。每个连接的强度是根据公式(15)计算的，使用月度温度差。这些连接按照强度递减的顺序排序，然后按照递减的强度逐个添加。更具体地说，更相似的节点首先被连接。当一个新的连接将一个集群连接到另一个集群时，现有的集群就会增长。然后，气候网络经历一个突发且具有统计学意义的相变，即在序参量G1（最大集群的相对大小）中表现出显著的不连续性。由于地球的球形形状，气候网络中最大的连通分量被重新定义为
$$G_1(M) = \frac{\max\left[ \sum_{i \in S_1(M)} \cos(\phi_i), \ldots, \sum_{i \in S_m(M)} \cos(\phi_i), \ldots, \right]}{\sum_{i=1}^N \cos(\phi_i)},$$
其中 φi 是节点 i 的纬度。渗流阈值根据式 (48) 确定，即跳跃幅度最大的步骤被视为相变点。图 33(a) 显示了渗流阈值下全球地图中的 CN 组件结构。就在这个跳跃之前，CN 的特征是有三个主要群落；最大的一个位于热带地区；第二和第三大的分别位于南半球和北半球的高纬度地区。图 33(b) 描绘了在 CN 演化过程中最大簇 G1 的相对大小随链路占用概率 r 的变化情况。研究发现，G1 在渗流阈值 rc ⇔ 0.53 处出现突然跳跃。链路权重 Wi,j 的概率密度函数 (PDF) 如图 33(d) 所示。
为了确定最大分量Gc的时间演变及其强度Wc（导致最大转变的关键链路的权重），构建了一系列基于连续且不重叠的时间窗口（每个窗口长度为5年）的网络。结果表明，热带集群正在向极地扩张，同时其强度随时间显著减弱。热带分量的稳健减弱和向极地扩张在再分析数据和31个CMIP5模型中均有观测到。网络渗流方法还被用于识别气候变化响应，通过比较21世纪前20年和后20年（即2080 - 2100年与2006 - 2026年）热带分量的拓扑结构。研究发现，一些地区，例如印度北部、非洲南部和澳大利亚西部，受热带分量影响的概率更高，而其他地区，如东北太平洋，未来的影响将减弱。
[图片]
图34. 大西洋经向翻转环流（AMOC）的减缓。模型与观测中SST趋势的比较。地球物理流体动力学实验室的CM2.6气候模型在二氧化碳浓度加倍实验（左）和固定二氧化碳浓度的控制运行（中）期间的线性SST趋势。右，1870年至2016年观测到的HadISST数据的线性SST趋势。数据显示的是11月至5月季节的情况。
来源：图源自参考文献 [160]。

3.1.5. 大西洋经向翻转环流
大西洋经向翻转环流（AMOC）是北大西洋气候系统中的关键组成部分。由于其重新分配的经向热输送，它对气候产生重大影响[339,340]。AMOC已被确定为地球系统的重要临界要素之一[23]。AMOC的变化不仅影响了北大西洋及其周边陆地，而且还产生了全球性的影响[156]。例如，负向变化导致南欧风暴增多[341]，与美国东海岸高于平均水平的海平面上升有关[342]，并与萨赫勒地区干旱的增加（频率和强度）相关联[343]。最近，Caesar等人提供了确凿的证据，表明自20世纪中叶以来，AMOC减弱了约3 ±1（约15%）斯维德鲁普[160]。这种减弱表现为亚极地大西洋的降温和墨西哥湾流区域的升温模式（见图34）。在高分辨率气候模型（CM2.6）中，以及自19世纪末以来的观测HadISST数据中，都发现了AMOC的减缓，这是对大气中二氧化碳浓度增加的响应。开发了一种改进的基于海表温度的AMOC指数（亚极地冷斑），该指数在其区域和季节覆盖范围上进行了优化，以重建AMOC的变化。特别是，研究发现，自20世纪50年代以来AMOC的下降很可能主要是人为造成的。AMOC的这种减缓主要是由北大西洋北部逐渐变化的淡水强迫引起的。
大西洋经向翻转环流（AMOC）是纬向平均的体积输送，其强度在大西洋26◦N处，目前由RAPID-MOCHA阵列进行常规监测[344]。大西洋经向翻转环流的平均模式由共同体地球系统模型（CESM）模拟确定[345,346]。AMOC的最大值出现在约1000米深度，位于墨西哥湾流的分离纬度附近，强度约为20 Sv。由于未来AMOC的崩溃已被确定为一个临界要素，因此开发针对这种潜在崩溃的早期预警指标至关重要。正如我们在第2.3节中讨论的那样，已经开发并成功应用了各种技术，以检测基于临界减速概念的单个时间序列中的早期预警指标[177]。特别是，在[179,181]中讨论了AMOC临界点的早期预警指标。
最近，一些基于复杂网络（CN）的预警信号被提出，通过分析大西洋经向翻转环流（AMOC）崩溃的相关性，可以有效地监测深海环流的空间变化。具体而言，当接近临界点时，平均度数、其峰度、同配性和聚类系数的值会增加[69,70]。复杂网络方法被应用于来自理想化海洋模型的大西洋经向翻转环流（AMOC）温度时间序列，以及来自耦合大气-海洋全球环流模式（GCM）的AMOC强度时间序列。此外，还提出了AMOC测量的最佳位置，通过分析该指标的性能，以提供崩溃的早期预警信号。接下来，我们将概述这些基于复杂网络（CN）的AMOC崩溃早期预警指标。
Mheen等人[69]使用了一个维度（经向-深度）理想化的AMOC海洋模型，其中可以显式计算临界点。在这个模型中，有两个活跃的示踪剂：温度T和盐度S，它们通过线性状态方程与密度ρ相关[347]
$$\rho = \rho_0 \left( 1 - \alpha_T (T - T_0) + \alpha_S (S - S_0) \right),$$
其中αT和αS分别为热膨胀系数和盐收缩系数，而⇀0、T0和S0为参考量。表面淡水强迫FS可作为虚拟盐通量应用，它是
$$F_S(\phi) = \frac{(\gamma + \eta)}{\cos \phi} \cos \pi \frac{\phi}{\phi_N} + \beta F_p(\phi) - Q,$$
其中φ表示纬度，φN是赤道对称区域的北边界，↽是背景淡水强迫的强度，η是白噪音项。ϱ是仅在区域[40°N, 60°N]上施加的异常淡水通量的强度，Q是一个常数，用于将所有参数值下的表面积分盐通量从0归一化到1。如图35所示，理想化海洋模型中大西洋经向翻转环流（AMOC）的分岔图表明在L1和L2处存在临界点。该模型在32×16的空间网格上离散化，有四个接近L1的ϱ值，标记为A、B、C和D。该模型的输出是温度场时间序列。
[图片]
图35. 理想化海洋模式中大西洋经向翻转环流（AMOC）的临界点。(a) 最大（8+）经向翻转流函数与最小（8↔）经向翻转流函数之和相对于异常淡水通量强度ϱ的分岔图。(b) 上稳定分支处的经向翻转流函数（8）模式。(c) 下稳定分支处的8模式。来源：转载自参考文献[69]的图。

接下来，基于皮尔逊相关方法（见第2.1节）构建无向无权CN，无时间滞后，阈值Cc = 0.7 [69]，即如果相关性Ci,j > Cc，则对应的两个节点i和j相连。开发了四个基于网络的指标Ed、Ec、Kd和Kc来研究AMOC的动态演化。这里Ed定义为归一化度分布d/dmax的期望值；Ec定义为归一化聚类系数c/cmax的期望值；Kd是度分布的峰度；Kc是聚类系数分布的峰度。这四个网络指标如图36所示。研究发现，当接近临界点L1时，Ed急剧且平稳地增加。这种增加的解释基于在域的大部分区域中，第一个EOF在解的方差中占主导地位的增强。指标Ec（图36g）也是如此。峰度分布Kd和Kc（图36h）更清晰地显示，在崩溃前接近临界点L1时，它们会大幅增加。请注意，CN是使用5000年的滑动窗口（偏移1000年）从完整的空间温度场构建的。结果对滑动窗口长度不敏感。为作比较，图36中还绘制了之前针对同一AMOC时间序列所提出的有关转变的早期预警指标，如滞后1阶自相关、DFA、均方差（见2.3节的讨论），这些指标在接近临界点时往往会出现快速上升/下降。特别是，滞后1阶自相关系数（图36c）在临界点附近达到最大值，表明AMOC出现临界减速。然而，研究发现该指标并非单调的，在AMOC距离转变还很远时也会上升。图36d所示的DFA分析并未显示出转变的早期预警。图36e描绘了AMOC记录的均方差。它显示出在接近转变时稳步上升，但很难设定一个警报阈值。在图36f中，展示了AMOC强度低于0.5百分位数（基于前5000年估算）的时间占比。这一指标显示出更为急剧的上升，但它是一种相当临时的度量方法，依赖于久远过去的校准[69]。
[图片]
图36. 大西洋经向翻转环流（AMOC）的早期预警信号。（a）AMOC最大值的时间序列。（b）在35000年期间，ϱ相对于时间从0.05到0.17 myr↔1的瞬态变化。（c）时间序列投影到第一个EOF上的滞后1自相关。（d）使用线性（上）和二次（下）去趋势的DFA指数。（e）AMOC的标准差。（f）AMOC强度低于0.5百分位数的时间占比。（g）基于网络的指标Ed（圆圈）和Ec（方块）。（h）与（g）相同，但针对峰度（Kd（圆圈）和Kc（方块））。垂直虚线表示临界点处的ϱ值。
来源：参考文献[69]中的图。

Feng等人[70]还在更现实的快速气象局/英国大学模拟器（FAMOUS）模型中进行了同样基于CN的分析。FAMOUS模型是哈德利中心耦合模型的简化版本，其海洋和大气分量的分辨率较低。AMOC强度数据的年平均值是从FAMOUS模型的控制模拟和淡水扰动（称为“注水”）模拟中获得的。在注水模拟中，温带北大西洋上空的淡水通量在2000年内从零线性增加到1.0 Sv[70]。已考虑了六个100年平衡模拟中每个模拟的完整AMOC流函数场。研究发现，当淡水强迫增加时，网络中的高度（表明高空间AMOC相关性）首先出现在约1000米深度的南大西洋节点处。引入CN的峰度Kd作为有效指标，以捕捉度场拓扑结构的变化。对于注水模拟，在崩溃时间之前，Kd显著增加到远高于控制模拟的值。然而，临界减缓指标方差和滞后1自相关没有显示任何早期预警信号。此外，峰度Kd还可用于确定AMOC的最佳观测位置，该位置在转变前至少100年提供强烈的异常信号。
[图片]
图37. ETOPO1全球地形模型。ETOPO1是一个1角分的地球表面全球地形模型，整合了陆地地形和海洋测深数据。当前平均海平面（零高度）被假定为高度地形的垂直基准。
来源：图源自美国国家海洋和大气管理局（NOAA）https://www.ngdc.noaa.gov/mgg/global/。
3.2. 地球几何地貌
地球的地形或水深呈现出复杂的多重分形结构和标度特性[34][348][349][350]，这可以被视作板块构造过程的结果。揭示地球表面几何特征与其内部的地质过程之间的联系，长期以来一直是地球科学中的一项基本挑战。板块构造理论通常用于研究地球上的大部分主要地形特征[351]，据报道，海洋底部地形与地球气候之间存在着紧密的关联[352]。此外，地球的表面地形也在海洋动力学演化中起着显著作用，尤其是在全球气候变化和海平面上升的问题上面。海平面上升是全球气候变暖的主要后果之一[353]，且已观察到它与风暴潮及其他极端事件共同产生影响[354]。减少全球二氧化碳排放对于管控海平面上升的风险至关重要。据估计，即使在《巴黎协定》[355]的限制范围内，到2300年为止，海平面上升的中位数也将在0.7～1.2米之间。格陵兰岛和南极洲的大型冰盖被认为是导致海平面上升的最可能的因素。假设这些冰盖完全融化，海平面将分别从格陵兰冰盖、南极西部冰盖和南极东部冰盖上升约7米、5米和53米。因此，人们对解释/预测海平面上升的影响区域产生了极大的兴趣。
近期，ETPO1全球地貌模型(ETOPO1 Global Relief Model) 发布，为基于地貌特征更好地理解地球表面过程提供了新的机会[356]。 ETOPO是一个1弧分的地球表面全球地貌模型，它集成了由NOAA完成的陆地地形和海洋测深。它由全球和区域数据集构建，用于计算世界海洋体积并得出地球表面的螺旋曲线。（见图37）
在本节中，我们将使用渗流理论来研究地球几何表面起伏的统计特性。还将讨论其分形结构和标度特性。特别是，将证明地球上当前的平均海平面与全球地形渗流描述中的临界阈值相吻合；有力的证据揭示了地球起伏网络演化过程中发生的突变，这表明存在大陆/集群聚合现象。这有助于我们识别那些更容易受到全球气候变化影响的关键节点或位置。

3.2.1. 自相似性和长关联性
自相似性和长关联是地球表面地形的显著特征[34]。大约从30年前开始，非线性动力学的新思想，尤其是分形和标度的理念，引发了固体地球物理学（包括地形学）建模和实验表征研究的爆炸式增长，综述见参考文件[357]。地球地形线形样带的功率谱 S 遵循标度关系 , 其中k表示波数[34]。这种白哦度关系用于测量地球表面地形的自相似性。此外，在地球的海底地形[358]、河流网络[359]的拓扑以及天然岩石表面[360]中也发现了类似的标度关系。
地球表面地形的长程关联特征可以有以下方式描述。幂律谱中的指数 b(c )通过 b(c )=2H + 1与分数布朗运动 (fBm) 中的Hurst指数H相关，这导致地球地形的。而对特定部分的进一步通用多重分形参数估计导致了更复杂的结构，即测深、大陆和大陆边缘分别为H = 0.46, 0.66, 0.77。[348]
地球表面地形的第三个特征是众所周知的双峰分布，这是板块构造过程的结果[361]。它表示大陆和海洋盆地的地形二分法。
3.2.2. 陆地和海洋集群
尽管经典的构造理论提供了一个可以解释地球大部分主要表面地形特征的框架，但正如第 2.2 节所讨论的，为了从统计物理学的角度研究地球的几何特征，开发了一种基于渗流的描述描述[127][130]。该分析基于高分辨率的 ETOPO1 全球地貌记录。分辨率为 1 弧分，即N=110800×21600 个网格点。当前平均海平面（零高度）假设为高度地貌 h(ϕ(i),θ(i))的垂直基准面，其中 ϕ(i), θ(i )是网格点i的相应纬度和经度。
在参考文献[127] 中，假设的水位被认为是渗透控制参数。当它从地球上的最高可用高度降低到最低可用高度时，在临界水平 h(c) 处发生几何渗透相变，陆地的大部分都围绕着它连接在一起。图38通过将海平面从 h=100m（上）降低到 h=−3520m（下）说明了陆地群聚集。为了确定渗流阈值，将任何节点成为最大岛屿一部分的概率定义为序参量;平均岛屿大小 χ（类似于系统的敏感性）定义为， ,其中 n(s)(h) 表示 h 级别 s 大小岛屿的平均数量，总和上的素数代表排除最大的岛屿;相关长度 ξ 定义为属于同一岛簇的节点的平均距离，,其中 R(s) 是给定 s 簇的回转半径。已经发现，岛屿的序参量在零高度水平 h=0 附近突然跳跃，即在当前的平均海平面上（图39a）。进一步发现，量 χ 和 ξ 在当前的平均海平面上变得不同，见图39b。从这些结果来看，最引人注目的观察结果是临界水平 h(c) 与地球上目前的平均海平面 h=0 相吻合。这可能表明水在地球上的重要作用，并为构造板块运动提供新的视角[127]。
对海洋集群也进行了相同的渗透分析，即假设的水位从最低到最高。图 39b 在 −3640 m 左右引起了海洋顺序参数的不连续跳跃。对月球的地形进一步研究揭示了月球的各种特征。研究发现，月球的临界水平在阈值处有相同数量的陆地和海洋，这表明存在纯粹的几何相变[127]。
3.2.3. 不连续性的起源
据报道，随机网络或晶格系统总是经历连续的渗流相变，并显示出标准的标度特征[81]。然而，地球地形的渗透过渡顺序仍然是一个悬而未决的问题。为了回答这个问题，樊京芳等人开发了一种更复杂的基于渗流的方法[130]。渗流模型定义如下：从未占用的格子开始，根据其排名将站点逐个占用，即首先选择高度最大的站点，然后是第二个站点，依此类推。在每一步中，被占用地点的比例 p 增加与地球地势景观中地点总数 N 的倒数。通过此过程，在每个 p 处连续获得已占用站点的配置。在这里，ETOPO1 全球地貌模型中的所有网格点都根据其高度 h(ϕ(i),θ(i))从最大值到最小值进行排序。在下文中，由于地球的球形性质，渗流陆地（海洋）团簇 s的大小是根据方程 (129) 计算的。每个分数 p 的第 i个间隙 g(i) 的大小定义如下：
$$g_i(p) \equiv s(p) - s\left(p - \frac{1}{N}\right).
$$
具体来说，这里的 g(1) 表示最大的间隙，g(2) 表示第二大间隙，依此类推。间隙 g(i) 越大，合并前的两个集群就越大。图40a显示了最大陆地团团 s 的动力学演变与占用节点 p 分数的函数关系。研究发现，地球的救援网络经历了几次突然的且具有统计学意义的相变，即在阶次参数 s 中表现出不连续性。图40b 显示了渗流阈值处的网络集群陆地结构（就在最大间隙 g(1) 之前）。结果显示，在这次跳跃之前，该网络由四个主要群落组成：最大的一个是非洲-欧亚大陆陆地，第二大集群是美洲，第三个位于南极洲，第四个是大洋洲。值得注意的是，在当前海平面下，存在一个关键节点 (64.458333°N,171.141667°W)它连接了渗流阈值 pc≈0.321 的最大和第二大团簇，海拔高度 h=−43 m。
[图片]
图38. 通过降低海平面实现陆地块簇聚合的示意图。如果节点对应的高度高于给定阈值h，则该节点被占据。不同颜色代表不同的簇。
来源：参考文献[127]中的图。
[图片]
图39. 地球地形的渗流分析。(a) 最大岛屿（圆圈）和最大海洋（三角形）的相对表面积随海平面的变化。陆地临界水平接近当前海平面h = 0，而海洋临界水平接近h = ↔3287米的水平，在该水平上岛屿和海洋的总表面积相等。(b) 关联长度ς和平均岛屿大小⇁随海平面的变化。虚线标记了当前平均海平面处的几何渗流相变。
来源：转载自参考文献[127]的图。
[图片]
图 40.地球地形的渗流分析。（a）最大的陆地群相对大小 s 是真实（绿色）和洗牌（红色）地球地貌记录的总陆地量分数 p 的函数。g(1) 表示方程 (132) 中定义的五个最大间隙。g(5)（b）渗透阈值处地球表面地形网络的陆地群快照，p=0.321。星号表示关键节点。
同样的分析也适用于海洋团簇，即节点根据其高度等级按升序逐个占据。它还导致在渗流阈值 p(c)≈0.379 处，高度水平 h=−3621 m 时，海洋顺序参数出现不连续跳跃。这与参考文献 [127] 中报告的结果 h=−3640 m 非常接近。请注意，临界节点 (59.908333°S, 161.308333°E) 连接大西洋+印度洋板块和太平洋板块。值得注意的是，最大的团簇在陆地结构上的作用与在海洋结构上的作用不同。这些差异揭示了地球地形（大陆）和测深（海洋）的复杂和不同结构。这种二分法表现在众所周知的地球地形双峰分布[361]。
为了证明地球地貌网络中渗流相变的顺序，通过改变节点的分辨率进行了有限尺寸效应分析。对于给定的系统尺寸 L，计算最大间隙 g(1)(L)此处，L 定义为可用区方向上的节点数。根据方程(49)，如果 g(1) (L) → 0 当 L → ∞，则假设相应的巨团簇存在着连续渗流; 否则，假设相应的渗流是不连续的 [147][153]。此外，还研究了渗流阈值 [就在最大间隙 g(1)] s(c)(L)序参量的大小 [见方程 (51)]。结果如图 41a 和 b 所示，它们表明存在不连续的渗流，因为（1） g(1)(L) 往往是一个非零常数;（2） d(f)− d = 0，也表示不连续的渗流。为了进行比较，还考虑了从原始数据的洗牌（空间随机化高度剖面）中获得的随机地形（见图41a 和 b）。洗牌情况的数值结果表明，已知临界指数 β∕ν = 5∕48 ≈0.104 和 d(f) = 91∕48 [106][107] 的连续渗流跃迁，正如在长程关联被破坏时所预期的那样。
为了揭示不连续性的起源，樊京芳等人[130]进一步研究了Hurst指数H [362][363]在二维fBm表面上的渗流。参数 H 通常介于 0 和 1 之间，其中 0 表示噪点非常嘈杂，而 1 表示更平滑。地球的粗糙表面可以通过 fBm [364]进行建模，地球大陆地形的估计值为 H=0.66 [348]。接下来，对 H=0.66 的 fBm 表面进行渗流分析。与真实网络类似，最大的集群 s 也在 p≈0.3 附近表现出突然的转变。最大间隙 g(1)(H, L)的平均值）作为系统大小 L 的函数如图 41c 所示。研究发现，H=0.66 的 fBm 表面上的渗流是不连续的，因为当 L→∞时g(1)(H, L) 往往是一个非零常数。对应于位点渗流演变过程中最大间隙的渗流阈值 p(c)(H, L) 如图 41d 所示。这些值是稳健的，并且与实际数据非常吻合，其中 p(c)≈0.321 [见图38]。这表明渗流和 fBm 相结合的方法可以用作研究地球表面地形的有效工具
[图片]
图 41.地球救援网络中渗流的有限尺寸分析。（a）原始真实数据（红色）和随机数据（蓝色）的最大间隙 g(1) 与网络系统大小 L 的双对数图。（b）对于实际数据（红色）和随机数据（蓝色），在渗流阈值处最大陆地群相对大小 s(c) 与 L 的双对数。（c）最大跳跃 g(1)(H, L) 的平均值与系统大小 L 的函数关系;（d）在 Hurst 指数 H=0.66 的 2D 分数布朗运动表面上渗透的相应渗流阈值 p(c)(H, L) 与 L 的函数关系。
3.3. 地震系统
地震是困扰社会的最具破坏性的自然灾害之一。因此，在不同时间尺度（几天到几十年）进行可靠和熟练的地震预报对于建立合理的地震风险降低策略以及增强准备和恢复至关重要。地震过程是一种复杂的时空现象，被认为是自组织临界系统的一个案例，其中事件以大小范围广泛的级联形式发生，每个事件都由破裂过程的精细细节决定。尽管在 20 世纪下半叶取得了快速发展，但地震的研究与许多其他复杂自然系统的科学一样，仍处于探索和发现的初级阶段。科学挑战在于如何理解既深刻又实用的地震现象，特别是对特定事件规模、位置和时间的确定性预测。最近，基于地震发生的统计模式的概率预测成为一个更加现实的目标，并已在全球倡议中得到积极探索和尝试 [36]。
在本节中，我们将首先介绍地震发生的现象定律，并简要讨论标度不变性和事件间隔分布。然后，我们将回顾如何应用统计力学方法（记忆分析）来提高真实地震目录的预测能力。(PS.记忆分析常用于非平衡态系统的演化，因其具有记忆，往往具有非马尔可夫性，其行为依赖于过去的历史过程)
3.3.1. 标度不变性和事件间隔分布
首先，我们介绍一些表征地震发生的基本量。这些信息，如发生时间、震源位置、地震震级和深度，通常在不同地理区域的在线地震目录中报告，例如，美国地质勘探局（USGS）地震目录。我们在这里介绍这些量的统计分布的主要现象学定律。
[图片]
图 42.以色列地震目录的古腾堡-理查德定律。（a）所选区域内发生的事件地图。（b）作为量级函数的累积数。橙色线是基于方程 (133) 的分布拟合，a=5.36 和 b=0.97。

描述地震大小的最常见方法是使用里氏震级 m，它采用地震仪测量的地面位移的对数，并应用随地震到地震仪的距离而变化的校正中[365]。裂缝区 L 的特征大小以及断层持续时间 τ 都可以用 L∝τ∝100.5m 的大小来表示。
接下来，我们将给出一些已被充分确立的地震经验基本定律。在地震学中，古登堡 - 里克特（GR）定律描述了在任何给定区域和时间段内，震级大于或等于m的地震震级m与累积数量N之间的关系，该关系呈现出指数衰减[366]。
$$\log N = a - bm$$
其中 a 和 b 是拟合参数。我们以以色列地震目录的古腾堡-里查德定律(GR law)为例，如图42所示。古腾堡-里查德定律的 b 值是使用 Marzocchi 和 Sandri [367] 描述的方法计算的。发现该值等于 0.97±0.02。拟合线的截距定义解释所选区域的地震率的 a 值。在我们的例子中a=5.36。正如预期的那样，不同的数据表现出不同的地震活动水平，由震级范围和事件总数量化，对应于常数 a 的不同值。相反，参数 b 似乎与地理区域和时间间隔完全无关。典型的实验结果为构造地震提供了 b≃1。
第二条经验定律，即大森定律，由地震学家大森于1894年首次描述[368]，
$$n(t) = K / (c + t)^p$$
其中 n(t) 是余震率，t 是主震发生后经过的时间;K 和 c 是经验常数，分别控制余震总数 n(t) 和幂律衰减的开始。p 是第三个常数，它修改衰减率，通常在 0.7-1.5 的范围内。
$$n_A \propto 10^{\alpha_M m_M}$$
事件的震级对其触发的余震数量的影响是可以理解的，即主震震级越大，触发的余震总数就越多。这一特性被称为生产率定律，它表明属于某一序列的余震数量n_A[式(134)的积分]随主震震级mM呈指数增长，
对于群体型活动，α(M)参数通常较小，而对于清晰的原发性余震序列，α(M)参数通常较大。
在过去的几十年里，地震事件间隔分布引起了人们的广泛关注和讨论，因为它被认为具有通用的标度形式[370]。Bak 等人首次提出了地震之间等待时间的统一标度律，表达了时间、空间和震级的分层组织。他们考虑了加利福尼亚的地震目录，并用大小为 L×L 的像元网格覆盖了该区域。然后，他们分析了每个单元的事件间隔，并计算了大小大于 m=log(S) 的时间间隔 P(S,L) 的直方图;对于不同的 L 值和最小震级，重复此作（见图43a）。研究发现，如果他们用重新缩放事件间隔 T（其中 b 是古腾堡-里查德 b 值，d(f) 是空间分形维度），并通过 T(α) 重新缩放 P(S,L)，其中 α 是一些指数，则等待时间的分布似乎都坍缩到一条曲线上（图43b）。因此，其标度假设表示为
[图片]
图43. 地震的统一标度律。(a) 加利福尼亚曲库中，线性尺寸为L的区域内震级m大于log10 S的地震之间的间隔时间T的分布PS,L(T)。(b) 对于(a)中T > 38 s的数据，标度函数（见式(136)），以T 0PS,L(T)重新标度，作为变量x = cTS↔bLdf的函数，其中c = 10↔4。数据塌缩意味着地震存在统一规律。实心圆、正方形和三角形分别对应震级截断值Mc = 2、3和4。颜色编码表示单元格的线性尺寸L = 0.25∈（黑色）、0.5∈（红色）、1∈（绿色）、2∈（蓝色）和4∈（橙色）。
来源：转载自参考文献[370]的图。

然后，他们分析了每个单元的事件间隔时间，并计算了事件间隔时间PS,L（其震级大于m = log(S)）的直方图；针对不同的L值和最小震级重复进行此操作（见图43a）。研究发现，如果他们将事件间隔时间T按S↔bLdf（其中b是古登堡 - 里克特b值，df是空间分形维数）进行重新标度，并将PS,L按T 0（其中0是某个指数）进行重新标度，等待时间的分布似乎都收敛到一条单一曲线（图43b）。因此，标度假设可表示为
$$T^\alpha P_{S,L}(T) = f\left( TS^{-b} L^{d_f} \right)$$
其中0⇔1可被确定为余震的大森定律指数，b⇔1是古登堡 - 里克特定律中的b值，df⇔1.2描述了投影到地球表面的震中位置的二维分形维数[370]。
随后，科拉尔[371]发现，事件间隔时间ϑ的概率密度函数Dxy(ϑ)可以简化为标度形式
$$D_{xy}(\tau) = R_{xy} f(R_{xy} \tau)$$
其中Rxy代表指(x, y)区域的平均地震发生率。标度函数f可以用广义伽马分布来表示，
$$f(\theta) = C \frac{1}{\theta^{1 - \gamma}} \exp\left(-\theta^\delta / B\right)$$
参数 ↽ = 0.67 ± 0.05、( = 0.98 ± 0.05、B = 1.58 ± 0.15 和 C = 0.50 ± 0.10。科拉尔通过考虑来自国家地震信息中心（NEIC）13的全球曲库和几个本地曲库的数据验证了上述标度假设：南加州地震中心（SCEC）14、日本大学网络地震曲库（JUNEC）15、IGN公报（伊比利亚半岛和北非）16以及英国地质调查局曲库（不列颠群岛和北海）17。不同地理区域和不同震级下限值的事件间隔时间分布可以合并为一个通用标度函数，如图44所示。
Bak 和 Corral 是通用标度律思想的两个主要支持者。标度关系 Eq. (138) 的有效性引起了人们的极大兴趣。例如，Saichev 和 Sornette [372] 根据传播型余震序列（ETAS）模型进行了广泛的分析，以确定事件间隔分布（详见下一节），他们发现它只是近似普适的，并且是伽马形式的，假设方程 (134) 中的 p的值接近 1，地震活动的分支率（每个事件触发的平均事件数）约为 0.7-1。然后 Molchan [373] 发表了一项关于地震事件间时间的严格数学研究，并证明如果标度分布函数是普适的，则函数形式必须服从指数函数。Touati et al. 分析了真实数据（SCEC 目录）和 ETAS 模拟数据的分布变化，并认为它不是通用的 [374]。他们已经表明，该分布是一种双峰混合分布，在较短的等待时间内由相关余震主导，在较长的时间内由独立事件主导。
[图片]
图44. 有无重新缩放的复发时间分布。(a) 来自NEIC全球曲库的概率密度。(b) 重新缩放后的先前数据，拟合了缩放函数f，见式(138)。
来源：转载自参考文献[371]中的图。
3.3.2. 通过点过程方法对地震事件序列进行建模
有多种统计地震模型可用于描述地震的发生过程，可用于实时地震预报[375]。这些模型的原理是通过使用点过程方法评估地震发生的概率。在众多模型中，描述主震、前震和余震地震聚集特征的ETAS模型已成为检验假设的标准模型和短期地震预报的起点[376] [377] [378] [379]。
在这里，我们将重点介绍用于生成合成地震目录的 ETAS 模型。ETAS模型是由绪方[369][380]和[381]开发的，他们观察到地震活动可以通过古腾堡-理查德定律 (133) 和大森定律 (134) 很好地进行描述。ETAS 模型中的条件率由下式给出：
$$\lambda(t \mid \mathcal{H}_t) = \mu + A \sum_{\substack{i: t_i < t}} \exp[\alpha_M (m_i - M_z)] \left( 1 + \frac{t - t_i}{c} \right)^{-p}$$
其中t(i)是过去事件发生的时间，m(i)是它们的震级大小，是发生的历史。提供在给定地震历史的情况下，在时间t发生地震超过阈值震级M(z)的概率。其中，A = K/c(p)是大森定律中零滞后时地震的发生率，a(M)为方程(135)中定义的繁殖率参数。ETAS模型也可以用随机积分的形式来写[382],
$$\lambda (t \mid \mathcal{H}_t) = \mu + \int_{m_1}^{\infty} \int_{0}^{t} \frac{K}{(t - s + c)^p} \cdot e^{\alpha_M (m - M_z)} N(ds, dm)$$
其中 N(ds, dm)=1，如果一个无穷小的元素 (ds,dm) 将包含某个 i 的事件 (t(i), m(i))，否则 N(ds,dm)=0。(μ, A, c, αM, p) 这 5 个参数代表了该区域地震活动的一些特征。因此，它们在空间上有所不同，在某些情况下也在时间上发生变化。
然后，使用条件强度函数将ETAS模型扩展到时空相位[383]，
$$\lambda (t, x, y \mid \mathcal{H}_t) = \mu(x, y) + \sum_{\substack{i: t_i < t}} \kappa (m_i) g (t - t_i) f \left( x - x_i, y - y_i \mid m_i \right)$$
其中 μ(x, y) 仍然是背景强度，它是空间的函数，而不是时间的函数; κ(m) 是由震级为 m 的事件触发的预期事件数，格式为，
$$\kappa(m) = A \exp\left[ \alpha \left( m - M_z \right) \right]$$
g(t) 是触发事件发生次数的概率密度函数，
$$g(t) = \frac{p - 1}{c} \left( 1 + \frac{t}{c} \right)^{-p}$$
f(x,y|m) 是触发事件的空间分布，可以用以下两种方式表示：短程高斯衰减，或是长程逆幂律衰减，
$$f(x, y \mid m) = \frac{1}{2\pi D^2 e^{\alpha_M (m - M_z)}} \exp\left[ -\frac{x^2 + y^2}{2D^2 e^{\alpha_M (m - M_z)}} \right]$$
ETAS模型已成功用于业务地震预报，例如复杂的阿马特里切-诺尔恰地震序列[384]、日本地区[385]和加利福尼亚地区的次日地震预报[386]。关于用点过程方法模拟地震时间序列的更多一般性讨论，请参见参考文献 [387]。
[图片]
图45. 加利福尼亚曲库中地震发生间隔时间的去趋势波动分析。(a) 针对所有震级M′≥2的地震，(b) M′≥3的地震。黑色圆圈表示SCEC曲库（1995 - 1998年），红色方块表示NCSN曲库（1995 - 1998年），蓝色三角形表示一个人工的古登堡 - 里克特分布相关数据集，其中γ0 = 0.8。空心符号表示DFA0结果，实心符号表示DFA1结果。相应的斜率由直线表示，γ0⇔0.75。
来源：参考文献[388]中的图。

3.3.3. 记忆分析
在本小节中，我们将回顾已应用于地震记录的记忆分析手段。第一种方法是所谓的去趋势波动分析（DFA），用于检测不同时间序列的长期相关性或长期记忆，如DNA序列和气候记录[180]。DFA 的详细信息在第 2.3.3节中提供。根据方程(70),如果时间序列具有长期记忆，则波动函数 F(n) 根据指数α的幂律关系增长。Lennartz等[388]首次将DFA应用于地震的发生时间。他们通过在 SCEC 目录（1995-1998）和 NCSN 目录（1995-1998）上采用去趋势波动分析 DFA0 和 DFA1 的前两个顺序来测试真实和合成记录的长期相关性。他们发现，加利福尼亚目录中的地震事件之间存在长期记忆，表现为震级和出现时间的特征波动。DFA0 和 DFA1 都产生了 DFA 指数 α≈0.75，与阈值 M(z) 和地震目录无关，参见图45。
樊京芳等人[212]已将类似的分析DFA2应用于真实的以色列和意大利目录。他们发现，对于具有不同震级阈值 M(z) 的地震事件之间的相互出现时间序列，指数α也非常接近 0.75。图46a-d 显示了 DFA2 结果。他们还对其他地震变量进行了 DFA，例如地震事件的数量和粗略时间窗口 dt 内释放的能量。地震的能量定义为
, 其中 E(t) 表示在 t 和 t+dt 之间发生的事件数，M(l)(t) 表示事件的震级。为了处理更均匀的时间序列，樊京芳等人将S(t)>1切换到s(t) = log(S(t))，将S(t)≤1切换到零，将E(t)>1切换到e(t)=log(E(t))，将E(t)≤1切换到零[212]。接下来，对以色列和意大利震级目录中具有不同时间窗口 dt 的时间序列 s(t) 和 e(t) 应用 DFA 分析进行了测试。结果发现，对于这两个区域和所有研究的幅度，标度指数 α 的值都非常稳健 ∼0.75，即 dt 的大小不会影响内存指数α。因此，返回间隔、事件数量和释放的能量是显著的长期相关的，并且具有非常相似的标度指数。记忆分析也已应用于 ETAS 模型。出现次数的 DFA2，参数A=6.26，μ=0.2，p=1.1，α(M)=1.5 和 c=0.007，见方程(139)，得到 α≈0.75，如图 46e 所示。
另一种研究地震发生时记忆的常用方法称为条件概率（CP），由 Livina 等人 [389] 提出。考虑到重现时间间隔的时间序列，他们按升序对其进行排序并将其分为四个 25% 的分位数;即，第一个分位数 Q(1) 表示最短的 25% 的等待时间，依此类推。研究了重现时间 τ 的分布，它遵循先前的重现时间 τ(0) ，P(τ |τ(0))其中的 τ(0) 属于极值的分位数之一，即 Q(1) 或 Q(4)。请注意，对于没有记忆的记录，P(τ|τ(0)) 应独立于 τ(0)，并且应与 P(τ) 相同。对于真实数据，Livina 等人发现 P(τ|τ(0)) 强烈依赖于前一个重现时间 τ(0)，因此短的重现时间引发了短的重现时间，长的重现时间紧随着长的重现时间（见图47a、c 以色列和意大利目录）。为了量化和测量记忆水平，樊京芳等人分析了重现时间的累积分布函数（CDF），并将 Q、Q(1) 和 Q(4) 的 CDF 分别表示为 CQ(τ)，CQ(1)(τ) 和 CQ(4)(τ)。Q(1) 的记忆强度定义为：
$$\rho_1 = \int \left( C Q_1(\tau) - C Q(\tau) \right) d\tau \bigg/ \int d\tau$$
同样，Q(4) 的记忆等级为
$$\rho_4 = \int \left( C Q_4(\tau) - C Q(\tau) \right) d\tau \bigg/ \int d\tau$$
因此，0≤ρ(1)≤1 和 −1≤ρ(4)≤0 以及更高的 |ρ(1)|（或 |ρ(4)|）意味着更强的记忆以及，而 ρ(1)=0（或 ρ(4)=0）意味着没有记忆。结果如图 47b 和 d 所示，用于以色列和意大利的地震目录。他们发现以色列目录的Q(1)和Q(4)为ρ(1)=0.248,ρ(4)=−0.193，而意大利星表的Q(1)和Q(4)为ρ(1)=0.260,ρ(4)=−0.153[212]。进一步的研究表明，ρ 的值是稳健的，并且不依赖于 M(z)。为了研究相关性（α、ρ(1) 和 ρ(4)）对地理位置（构造环境）的依赖性，他们对其他地震目录进行了 DFA 和 CP 分析，包括新西兰、南加利福尼亚地震中心、日本统一高分辨率地震重新定位目录和震中初步确定全球地震目录。目前已经发现，对于所有目录和所有研究的震级中，α、ρ(1) 和 ρ(4) 的值都非常稳健。
[图片]
图 46.来自以色列、意大利和 ETAS 目录的出现间期序列和 DFA。（a）使用震级阈值 M(z) 的以色列（a）和意大利（b）目录中的地震事件之间的出现时间序列。来自不同 M(z) 值的（c）以色列和（d）意大利星表的出现时间的 DFA。（d） ETAS模型出现时间的DFA，参数A=6.26，μ=0.2，p=1.1，α(M)=1.5以及c=0.007，见方程(139)。实线是坡度 α=0.75，R-square>0.99 的最佳拟合线。为了进行比较，斜率 α=0.5 的清洗数据表示没有记忆，显示在图（d）中
[图片]
图 47.以色列、意大利和 ETAS 目录的内存分析。（一、三、五）对于高于阈值 M(c) = 2.0 的（a， b）以色列目录、高于阈值 M(c) = 3.0 的（c， d）意大利目录和（e， f）高于阈值 M(c) = 2.0 的（e， f） ETAS 目录的重现时间 τ 的条件 PDF 和（b， d， f） CDF。

最后，通过测量系数 α、ρ(1) 和 ρ(4)，在 ETAS 模型中进行内存分析 DFA2 和 CP，如图46、47所示。结果表明，实证观测的地震记忆（对于以色列目录）只能针对模型的一小部分参数进行再现。此外，ETAS模型中的记忆起源受以下因素影响：（i）模型的背景（噪声）率的参数μ，通过时间重叠的余震子序列的干扰来影响记忆，即较小的μ导致更强的记忆性，以及（ii）分支比：将余震的产生与震级相关的指数， α(M) 和大森定律的幂指数p 也可以通过 ETAS 模型的分支比来影响记忆，即较小的 p 和较大的 α(M) 导致更强的记忆性（参见参考文献 [212]中的图 11 和 12）。
最近，Zhang等人引入了一种滞后CP方法，以研究地震事件间期和地震距离中可能的长期记忆[390]。时间和距离的 CP 分别定义为 ρ(τ(k)|τ(0)) 和 ρ(r(k)|r(0))，其中 τ(0)(r(0)) 属于 Q(1) 或 Q(3) 组。τ(k)(r(k)) 是 τ(0)(r(0)) 之后的滞后第 k个事件间隔。为了量化以及水平，引入了 S(τ(k)|τ(0)) ≡ 1−s(13)，其中 s(13) 是 PDF 在 Q(1) 和 Q(3) 之间的公共区域。这里S(τ(k)|τ(0))(
)∈ [0,1]。类似地，S(r(k)|r(0)) 表示事件时间间隔的记忆等级。有趣的是，已经能够表明 S(k) 可以用以下标度形式表示，
$$S(k) = L^{-d_u} F(k \cdot 10^{b M_z}) 10^{a M_z}$$
其中 d(u) 和 a 是常数，b=1 表示古腾堡-理查德定律。意大利目录中 S(τ(k)|τ(0))、S(r(k)|r(0)) 及其相应的标度函数的分布函数如图48 所示，其中 d(u )= 0.14 和 a = 0.09 表示事件间时间 τ; d(u)=−0.08 和 a=0.24 的事件间距离 r。图48c 和 d 中显示的标度函数表明 F(x)∼x(−γ) 的两个不同的幂律关系之间存在交叉。两种标度函数在
处都表现出显著的交叉。这些结果表明，不同网格大小和不同震级阈值的记忆测量可以重新缩放为单个函数。然而，研究发现，ETAS模型中的记忆函数与真实地震目录中的记忆函数有很大不同，即与真实地震目录相比，该模型的记忆在短（长）时间尺度上更弱（更强）。此外，该模型在真实目录中没有表现出明显的交叉。
3.3.4. 地震预报
地震是世界上最具破坏性的自然灾害之一。熟练可靠的地震预报目前依旧是我们的最终目标。地震预测一词通常是指未来地震的发生时间、位置或震级。然而，“地震预报一词通常是指在以点为中心的体积 Σ 的超级单体内对地震发生概率 P(Σ) 的评估。因此，基本量是以时间 t 处可用的整组信息 ℓ 为条件的发生概率 [36]。在以先前历史为条件的第 k个区间内，在时间 t 发生地震的概率为
$$P\left( \zeta_k = 1 \vert \mathcal{H}_{t_k} \right) = \lambda \left( \vec{\omega}_k \vert \mathcal{H}_{t_k} \right) d\Sigma + \mathcal{O} \left( d\Sigma^2 \right),$$
其中 λ 是 Eqs (139)或(141)中定义的局部条件率。表示第 k个单元格的中心。预测概率 P(Σ) 是发生率在 Σ的积分，取决于超单元格 Σ 的体积，即 Σ 越小，λ 的评估越准确。其次，Σ 的时间延伸 T 也影响着预测精度。根据 T 的时间尺度，可以任意区分长期和短期预报[391]：地震长期预报T几十年到几个世纪的间隔内; 中期预测，对于月级的 T，以及短期预测, 几秒钟到几周的间隔内的 T。短期预报通常细分为地震后预报和地震前预报，指的是主震的余震和前震。值得注意的是，从风险管理的角度来看，地震后预报仍然非常重要，因为余震的大小可能与其触发的主震相当，甚至更大。然而，从工程的角度来看，长期预测可能是最相关的，例如城市规划风险评估。根据早期预警前震观测，可以成功预测一些大地震，例如 1975 年中国海城地震[392] 和 1995 年希腊科扎尼-格雷韦纳地震[393]。然而，大多数地震并不表现出明显的前兆模式，例如，2004 年帕克菲尔德（加利福尼亚州）地震[394]。因此，对前震或前兆模式的评估仍然是一个悬而未决的问题。由于大多数地震模型都是基于公认的经验定律，即余震时空发生聚类，因此作为ETAS模型，它们在某种程度上只能为长期和震后短期预报提供可靠的风险评估，而不能为前震提供可靠的风险评估。尽管如此，如何验证预测模型仍然非常重要。在下文中，我们将回顾评估地震预测和地震预报的各种方法。
接收者操作特征曲线(ROC曲线)
接收者操作特征曲线（ROC）图是一个图形图，说明了二元分类器系统在其鉴别阈值变化时的预测质量。为了评估地震预测，如果预期会发生地震（“YES”），概率为 P(Σ)>P(t)，其中 P(t) 是阈值，如果事件已发生，则我们称其为命中;如果单元中没有预期到地震（“NO”），如果发生了事件，我们称其为 miss。每个没有观察到相应地震的 “YES” 预测都是误报，而每个没有发生地震的 “NO” 预测都是正确的拒绝。在此表示形式中，警报声明和事件观察有四种可能的组合，请参阅表1了解每种意外事件的数量。在这里，我们将 a 定义为命中数，b 定义为误报数，c 定义为未命中数，d 定义为正确拒绝数。我们将真阳性率（TPR）定义为
$$TPR = \frac{a}{a + c},$$
和假阳性率（FPR）为
$$FPR = \frac{b}{b + d}.$$
当 TPR 和 FPR 一起绘制在正方形 [0,1] × [0,1] 上时，得到的度量称为 ROC，而完美预测对应于坐标为 TPR = 1 和 FPR = 0 的点，对角线表示随机猜测的长期行为。可以通过连续改变 P(t) 来获得完整的 ROC 曲线。这里我们以图49中的深度学习方法为例，展示了一条余震预测 ROC 曲线。
[图片]
图 48.来自意大利目录的事件间时间和距离的滞后 CP 内存分析。内存测量（a） S(τ(k)|τ(0))和（b） S(r(k)|r(0)) 作为滞后指数 k 的函数。重新调整了事件间隔和（d）距离的记忆测量（c）。不同颜色表示不同的网格大小 L。符号的形状表示不同的幅度阈值 M(z)。
莫尔昌图
与ROC密切相关的是莫尔昌图（Molchan diagram），它是一种误差图，可用于比较测试模型和另一个通用参考模型的预测结果[396]。它是误报率（M = 1↔ TPR）与警报或“是”预测所占据的实验时空体积分数F的关系图。莫尔昌图中的最佳预测是点（F = 0，M = 0）。特别地，在已观测到n次目标地震的情况下，偶然获得h次或更多次命中的概率由二项分布描述。
$$\Gamma_M = \sum_{i=n}^{n} \left[ \binom{N}{i} F^i (1 - F)^{n - i} \right]$$
其中$$\binom{N}{i} $$表示二项式系数。通过固定$M$并连续改变$F$，可以在莫尔昌图中得到一条置信度曲线。因此，非常小的$M$值表明警报集具有较高的技能。
数字检验(N检验)
N检验用于了解预测的地震总数N(forcast)与观测到N(obs)的事件数的匹配程度[397]。假设目标地震服从广义泊松分布，负二项式分布（NBD）的质量函数可以表示为[384]
$$f(n; r, p) = \frac{\Gamma(r + n)}{n! \Gamma(r)} p^n (1 - p)^r,$$
其中 Γ(r) 是 Gamma 函数，n 是目标地震的次数，r,p 是分布的两个参数。那么 NBD 可以推导出为
$$f(n; r, p) = \int_{0}^{\infty} f_1(n; \lambda) f_2 \left( \lambda; r, \frac{1 - p}{p} \right) d\lambda,$$
其中 f(1)(n;λ) 是泊松分布，假设 λ 服从 Gamma 分布
$$f_2(\lambda; k, \theta) = \frac{\lambda^{k - 1} e^{-\frac{\lambda}{\theta}}}{\theta^k \Gamma(k)},$$
其中 k,θ 是 r=k 且 p=θ/(1+θ) 的 Gamma 分布参数。接下来，我们计算 gamma 分布的参数 k 和 θ。为了解释 N 检验结果，可以使用有效显著性值 α(eff) 的单侧检验，该值为 α=0.05 的预期显著性值的一半。图50c 显示了 N 检验的一个示例。
Space 检验（S 检验）
S 检验是一种似然检验，其中只考虑预测和观察的空间分布 [398]。S 检验可以用
$$\zeta = \frac{n \left\{ S_i \vert S_i \leq S, S_i \in S_s \right\}}{n \left\{ S_s \right\}},$$
其中 S(i) 是第 i个模拟的空间似然，S(s) 是模拟空间似然的集合，S 是相对于观测到的空间预测的可能性，n{A} 是集合 {A} 中的元素数。如果 ζ 小于临界显著性值 α，则观测到的空间分布与预测不一致。但是，接近 1 的值表示最佳空间预测。我们展示了图50a 中的 S 检验示例。
[图片]
图49. 基于神经网络的ROC曲线示例。(a) 绘制了真阳性率与误报率的关系。(b) 针对一个深度为10公里、长60公里的右旋走滑断层（红线）的合成案例。虚线对角线代表随机预测（零假设）。
来源：转载自参考文献[395]的图。
除了上述方法外，还有各种其他方法来评估预测模型的准确性，例如似然检验（L 检验）、似然比检验（R 检验）和幅度检验（M 检验）。关于地震预测和地震预报评估的指导性综述可以在参考文献[399]中找到。
如上一节所述，我们研究了真实星表和 ETAS 模型中地震中记忆的可能来源。在这里，我们将证明记忆分析可以显著提高真实地震目录的短期预测率。在估计给定地震目录的ETAS模型参数时，ETAS参数通常基于点过程最大似然（ML）方法、Davidon-Fletcher-Powell算法[380]或模拟退火[400]与数据进行反演。例如，通过使用ML方法，可以得到μ=0.2、A=6.26、α(M)=1.4、p=1.13和c=0.007，参见方程(139), 意大利目录[400]。然而，当考虑内存时，ETAS模型可以再现与真实星表中相同的内存，但仅限于小范围的参数值，即μ=0.2、A=6.26、α(M)=1.5、p=1.1和c=0.007 [212]。作为一个测试案例，在2017年1月18日发生的Capitignano 5.7主震[401] 之后，使用ETAS模型预测了事件NC的累积数量。时间 t 的累积数是通过从 0 到 t 对方程 (139) 进行积分来计算的。这样，通过考虑记忆，可以将主震后 14 天内的预测精度提高 20% 以上。此外，Zhang等人最近提出了一种改进的广义ETAS模型，该模型准确地再现了短期和长期/距离记忆[402]。新的 ETAS 模型还被发现可以显著改善意大利和南加利福尼亚地震目录的地震预报。
表1 二元事件列联表
4.结论和观点
在本文中，我们回顾了统计物理学和基于复杂网络的技术，这些技术促进了我们对复杂地球系统（地球物理学中一个相对较新的分支）的了解。这些技术有助于解决对气候变异性、地球几何地貌特征和地震的理解和预测问题。在本节中，我们试图得出一些结论性评论，并讨论对未来研究仍持开放态度的观点。我们相信这些新颖的方法将引起相关领域科学家的注意。
在第 2 节中，我们首先描述了基于统计物理学的总体方法，用于分析复杂地球子系统的重要方面。它包括复杂网络、渗流理论、引爆点分析、熵理论和复杂性。尽管已经证明上述方法可以单独或组合地成功地应用于地球系统，但要开发一个适当和全面的框架，还有很多工作要做。在需要解决的不同开放问题中，我们强调了以下四个：（i）需要对潜在的物理机制收集更好的知识和理解;（ii）需要将 CN 的概念扩展到更全面的描述，例如多层气候网络 [403]。这是因为气候是一个耦合的多层系统;（iii）需要发展气候系统中临界现象（渗流）的通用理论，特别是对于非平衡系统;（iv）需要提出一个关于如何通过多个时空变量的时间序列来预测地球系统的临界点和熵的原则。
在第 3 节中，我们继续回顾了统计物理学方法在不同地球子系统中的应用。具体来说，第 3.1 节强调了五种天气和气候动力学情景，包括厄尔尼诺-南方涛动、印度夏季季风、极端降雨、大气环流和大西洋经向翻转环流。我们建议不断发展的 CNs （和其他组合方法）相互作用和模式可以作为新的预测因子，从而显着提高预测。除了上述情景外，CNs方法还被广泛应用于其他高影响现象，如大西洋年代际震荡的西向传播[99]、遥相关路径的检测[62]、因果门户和中介的识别[404]、极端平流层极地涡旋状态的早期预测[405]、二氧化碳（CO2）对全球SAT的影响[406]等。尽管取得了巨大成就，但仍有许多与气候系统相关的未开发问题值得进一步关注。因此，需要进一步研究的主题，例如，（i）人类活动如何改变并继续改变地球的海洋和大气成分，其中一些变化对地球的能量平衡有直接或间接的影响，因此是气候变化的驱动因素;（ii）地球系统模型中的统计力学和 CNs 行为，范围从简单的能量平衡模型到一般环流模型;（iii）古气候中预估的短期和长期突变相变，特别是海冰和雪球-地球起源的作用[407]、[408]、[409];（iv）通过使用 CNs 方法提高包括雷暴、冰雹和龙卷风在内的强对流天气过程的可预测性。
在第 3.2 节中，我们回顾了当前关于地球表面地形的统计特征和渗透框架的文献。我们已经指出了地球救援网络演化过程中发生的突然转变的证据，这表明了大陆/团簇的聚集。通过分数布朗运动模型的进一步分析表明，长程相关性可能在地球上观察到的不连续性中发挥关键作用。这项研究可能有助于理解地球上的几何相变，但也可用于确定地球救援网络中未来全球变化的关键节点。特别是，（i）构造板块的未来运动，以及（ii）这些关键节点的动态演变至关重要，因此需要进一步解决。
在第 3.3节中，我们首先描述了公认的地震经验基本定律，包括 Gutenberg-Richter、Omori 和生产力定律。然后，我们讨论了事件间分布的缩放假设。还综述了流行病型余震序列模型（ETAS）和评估地震预测和地震预报的各种方法。最后，我们证明了两种提出的内存分析方法，DFA 和 CP，可以显著提高真实地震目录的短期预报率。尽管如此，地震预测研究一直饱受争议的困扰，它仍然是一个突出的挑战。除了改进短期余震预测外，我们还强调新方向的潜力。（i）引爆点和记忆分析在理论地震模型中的广泛应用，这些模型解释了加速的时刻释放和前震的发生以及其他前兆模式，其中主震被视为地震周期内的特征地震 [410]。（ii）开发地震预报模型，用于描述前震组织和记忆行为。（iii）在网络理论成功应用于气候现象预测的推动下，提出了基于发生时间序列的地震网络框架 [411]，特别是地震波（弹性体和剪切波）和直接地震波之前的弹性重力信号[412]。
本文回顾的基于统计物理学的方法的主要特征之一是能够更好、更可靠地预测复杂的地球现象，例如厄尔尼诺事件、安第斯山脉中东部的极端降雨、印度夏季季风、大西洋年代际振荡崩溃和地震的发生。此外，我们观察到人工智能和深度学习技术[413]近年来在许多领域都取得了巨大成功，例如统计物理学中的相变[414]、[415]、[416]、数据驱动的地球系统科学[417]、ENSO预报[294]、[295]、印度季风降雨[418]，以及余震模式预报[395]和地震探测[419]在地震系统中。事实上，我们有信心，基于网络和基于人工智能的技能的结合和互补将相互促进。例如，将机器学习应用于网络属性向量（产品相似性）可以预测成功和失败的公司，其准确性比当前最先进的市场预测技术要高得多[420]。此外，深度学习系统可以被视为复杂的网络，因此可以深入了解学习过程中产生的计算图的结构和功能特性[421]。
最后，考虑到使用复杂网络理论分析社会、生态系统和经济的气候适应力，仍有许多方法的空间。我们目前缺乏合适的模型来更好地理解或预测极端气候/天气事件对相互依赖的关键基础设施日益增长的不利影响所引发的级联失效[30]的影响。缩小这一知识差距对于开发实现气候和基础设施韧性的方法至关重要。另一个肯定会引起广泛关注的非常相关的研究主题是对复杂气候-健康关系的评估和量化。人们普遍认为，气候条件，包括温度和降水的时空分布，对人类健康有关键影响[422]。此外，某些疾病的发病率和爆发，如媒介传播（疟疾和登革热）疾病、持续的 COVID-19 大流行 [423] 和流感，都受到气候变化或环境的强烈影响 [424-428]。然而，在传统的流行病学模型[113] 中，如SIR、SIR和SEIR模型，气候影响往往被排除在考虑之外。我们需要强调的是，考虑到气候因素的传统流行病学模型可能是一条非常有前途的道路，可以更深入地了解流行病过程并评估气候变化对区域和全球的健康影响。

复杂地球系统的统计物理方法

2025-12-04T09:43:13Z

相信未来：

复杂地球系统的统计物理方法
翻译指南：集智翻译指南-v2022 （请参考该指南）
共创任务：

翻译tips
- 格式请保持一段英文 + 一段中文译文，以方便后续审校。
- 专业概念。尽量用中文，避免用英文、英文缩写。第一次出现时注释英文。
- 注意拆分长句、单列从句、调整语序。原则上“译段不译句”
- 不确定的预计标注颜色，方便后续审校。
[图片]
论文题目：Statistical physics approaches to the complex Earth system
论文地址：https://doi.org/10.1016/j.physrep.2020.09.005
作者 | Jingfang Fan, Jun Meng, Josef Ludescher, Xiaosong Chen, Yosef Ashkenazy, Jürgen Kurths, Shlomo Havlin, Hans Joachim Schellnhuber
译者 | 任鹏臻; 张清源
审校 | 杨明哲
编辑｜赵思怡
摘要：全球变暖、极端气候事件、地震以及伴随的社会经济灾难对人类造成了严重的威胁。然而，由于地球系统的非线性反馈、多重相互作用以及复杂结构等因素，在对此类灾难性事件的理解和预测方面，对于科学界和政界而言都构成了巨大的挑战。近年来，地球系统科学的兴起与发展备受关注，并催生了新理论框架。特别是基于统计物理学和复杂网络技术的创新方法不断涌现，显著深化了人类对地球系统的认知——包括气候极端事件、地震与地形特征研究——从而大幅提升了预测能力。本文全面综述了统计物理学与复杂系统科学方法（如临界现象、网络理论、逾渗理论、临界点分析和熵理论）在地球复杂系统研究中的应用进展。值得注意的是，这些融合性工具与方法为理解地球系统动力学提供了全新视角。本综述的核心目标，是向读者阐明统计物理学概念及理论如何推动地球系统科学领域的发展。
1. 引言（Introduction）
1.1 地球作为一个复杂系统（The Earth as a complex system）
地球作为一个综合系统运行，由岩石圈、大气圈、水圈、冰冻圈及生物圈等组分构成，这些组分之间及其内部存在非线性相互作用与反馈回路[1]。这些组分本身亦可视为自我调节系统，并能进一步细分为更专业的子系统。然而，随着对物理、化学、生物及人文过程间多组分相互作用认知的深化，学界日益意识到需要整合多学科视角，将地球视为整体系统进行研究。此类探索及其成果催生了一门新兴的"地球的科学"——地球系统科学（Earth System Science, ESS）[2]。ESS框架已展现出其作为强大工具的潜力，能有效揭示地球作为复杂系统的动态演化规律与结构特征。
地球系统科学（ESS）在20世纪早中期兴起，并于近数十年迅速发展。其历史演进可简要划分为四个阶段[2]：(i)先驱与萌芽期（20世纪70年代前）。地球的系统性本质主要通过概念性框架得以阐释，如维尔纳茨基提出的生物圈理论——强调生命体对地球物理化学特性的深刻影响[3]，以及洛夫洛克的盖亚假说——将地球视为协同自组织的复杂系统[4]。这些理论为当代地球系统认知奠定基石。1957—1958年国际地球物理年（IGY）更推动了两大现代范式的发展：现代气候学与板块构造理论[5,6]。(ii)学科奠基期（1980年代）。20世纪80年代，系列研讨会及会议报告首次提出将地球作为整体系统（Earth system）的新认知。其中美国宇航局（NASA）开发的布雷瑟顿图[7]，首次通过系统动力学方法耦合物理气候系统与生物地球化学循环。1987年世界环境与发展委员会发布的《布伦特兰报告》[8]确立可持续发展指导原则，并阐明环境问题对地球系统的重要性。此阶段还创立了多个国际组织：世界气候研究计划（WCRP）致力于气候可预测性及人类活动影响研究；国际地圈-生物圈计划（IGBP，1987年启动）协调全球与区域尺度下地球生物-化学-物理过程及其与人类系统的交互研究；政府间气候变化专门委员会（IPCC，1988年成立）为政策制定者提供气候变化科学评估。(iii) 全球拓展期（1990—2015年）。在IGBP等国际计划推动及布雷瑟顿图广泛应用下，ESS从"地球新科学"运动发展为全球性学科。国际全球环境变化人文因素计划（IHDP）同期成立，旨在整合社会科学对全球变化的研究。(iv)当代发展阶段（2015年至今）。21世纪ESS框架臻于成熟，并催生"未来地球"（Future Earth）计划——整合IGBP、IHDP等国际项目，其使命是通过科研创新加速全球可持续转型。如图1所示（参照文献[1]），我们梳理了标志ESS发展的核心组织、出版物、行动与事件。
在地球系统科学（ESS）的发展历程中，汉斯·约阿希姆·舍伦胡贝尔（Hans Joachim Schellnhuber）提出并发展了一个关于ESS的基本概念：在全球尺度上，自然与人类因素之间动态的、共同演化的相互关系[9]。他提出，地球系统E可以从概念上用以下数学形式表示：
$$E = (N, H),$$
其中 $$N=(a,b,c,...); H=(A, S)$$。该模型表明整个地球系统包含两个主要部分：$$N$$代表生态圈，$$H$$则被解释为人类驱动因素。$$N$$由一系列复杂相互作用的行星子系统组成，例如 $$a(大气圈, atmosphere),b(生物圈,biosphere),c(冰冻圈, cryosphere)$$等。而人类因素$$H$$更加微妙：$$A$$表示“物理”子成分，而“形而上学”的子成分$$S$$ 反映了“全球主体”的出现。这项工作为将人类动力学完全整合进地球系统提供了概念框架，并构建了对地球统一的理解。

目前有许多工具和方法支持 ESS 的演化发展。然而值得注意的是，它们可以被整合到三个相互关联的重点领域中：观测、建模与计算机模拟、评估与综合分析[2]。地球观测通常指的是仪器数据，例如气象站或极轨及静止卫星所收集的数据。然而，这类数据集最多只能回溯到过去一至两个世纪。为了拓展我们对数千甚至数百万年前的认识，气候代用资料填补了这一空白。这些代用记录包括珊瑚记录[10]、海洋沉积物[11]、石笋时间序列[12]、树木年轮[13]以及沃斯托克[14]和EPICA[15]冰芯记录，帮助我们更好地理解过去的地球系统。数学模型是当前理解和预测气候及地球系统的关键方法。这些模型从简单的概念性气候模型——能量平衡模型（Energy Balance Models, EBMs）[16]到更复杂的地球模型——通用大气环流模型（the General Circulation Models, GCMs）[17]不等。此外，综合评估模型（the Intergrated Assessment Models, IAMs）被设计用来将人类动力学作为重要组成部分纳入考虑，旨在理解人类发展和社会选择如何相互影响并与自然世界（包括气候变化）相互作用[18,19]。基于 GCMs，还开发了地球系统中间复杂度模型（the Earth systems Models of Intermdediate Complexity, EMICs），用于以较低的计算成本研究长时间尺度上的地球系统[20]。这些模型提供知识整合手段，从而探索跨越多个空间和时间尺度的地球系统的动态特性与基本机制。评估与综合分析在建立新的科学认识、连接科学界与政界、以及根据来自政治领域的反馈推动新研究领域方面也发挥了关键作用。

随着 ESS 的不断发展，一些新的概念和理论也应运而生，包括可持续性概念[21]、“人类世”（Anthropocene）[22]、“临界要素”（tipping elements）[23]、“行星边界框架”（planetary boundaries framework）[24]，如行星阈值和状态转变[25]等。总体而言，这些新理论和新概念为我们更好地理解和预测地球系统未来演变路径提供了强有力的方法论支撑。
[图片]
图1. 地球系统科学（ESS）发展的时间线示意图。该图展示了帮助定义和推动地球系统科学发展的一些关键组织、出版物、活动、事件和概念。
来源：改编自文献[2]中的图表。
1.2 为什么是统计物理学？（Why Statistical Physics?）
尽管地球系统科学（ESS）的迅速发展，极端气候事件和地震的本质及统计特性仍然难以捉摸并存在争议。此外，这些现象早期预警信号的存在仍然是一个重大的开放性问题。因此，在这篇综述中，我们将提出几种基于或源于统计物理学的新方法，以增强我们对地球系统可能如何演化的理解。特别是，从跨学科视角出发的统计物理学与地球系统的结合，导致了在预测气候系统和地震系统内的高影响力破坏性事件方面的能力有所提高。
统计物理学是物理学的一个分支，它大量借鉴了概率定律和许多相互作用成分的统计学原理。它可以描述具有内在随机性质的各种系统，旨在预测和解释宏观系统的可测量属性和行为。该领域已经被应用于包括物理、生物、化学、工程以及社会科学在内的多个问题的研究。需要注意的是，统计物理学并不关注每一个单独粒子的动力学，而是关注大量粒子的宏观行为。统计物理学的基本理论和思想在很多教科书中都有描述，如[26-28]。
赛斯纳在他的书[29]中这样描述统计物理学与复杂系统间的关系：“自然界中的许多系统过于复杂，无法直接分析。解决冰块中的所有原子运动——或者地震断层中的巨石，或是互联网上的节点——根本不可行。然而，这样的系统常常表现出简单而显著的行为。我们使用统计力学来解释这些复杂系统的简单行为。” 一个复杂的系统通常被定义为由许多相互作用的组件组成的系统。考虑到其组成部分和相互关系的多样性，地球系统可以被解释为一个不断进化的复杂系统。统计物理学的概念和方法可以渗透到地球系统科学中，特别是：(i)临界现象类似于临界元素：如果一个系统接近相变或临界点，则系统将崩溃并发生故障。(ii)分形概念用于描述地球的地貌、形状、海岸线和岛屿。(iii)地震过程被视为一种复杂的时空现象，并已被视为自组织临界性(SOC)范式。此外，地震活动在时间和空间维度上都表现出尺度特性。
复杂网络理论提供了研究复杂系统结构、动力学和功能的强大工具。同时，统计物理学提供了一个基本框架，并为理解复杂网络的许多属性带来了理论见解。从应用的角度来看，统计物理学已经引导了再现现实世界网络的全局和局部特征的零模型的定义。复杂网络理论是一个新兴的多学科领域，已应用于数学、物理、生物学、计算机科学、社会学、流行病学等多个领域。网络科学的思想也成功应用于气候系统，并揭示了其功能背后的有趣机制，从而催生了气候网络(Climate Network, CN)这一新概念的发展。CN中的节点代表可用的地理位置时间序列，尤其是规则的经纬度网格，而不同网格点间的非线性气候记录之间的相似性和因果关系则构成了CN的链接。这种基于数据的方法的发展正在提供调查气候变化模式和动态的全新途径。
在这篇综述中，我们将介绍如何在地球系统科学中应用统计物理学方法。特别地，我们的重点主要放在地球系统的表面，包括气候系统、地球地貌以及地震系统，但不包括整个行星内部。
1.3 报道概要（Outline of the report）
除了这一简要的引言部分外，本报告共分为三个主要章节。在接下来的第2章中，我们将首先介绍贯穿后续讨论的整体方法论。该部分涵盖了一些基础但较为理论性的主题，包括气候网络（CN）方法、渗流理论、临界点分析、熵理论以及复杂性理论。读者将在这一章中找到对一个综合性理论框架的尝试性定义，该框架将涵盖后文将详细探讨的各种不同情境和系统。第3章全面回顾了相关应用案例，特别是那些已在气候系统、地球几何表面地貌以及地震系统中进行研究的应用。最后，第4章提出我们的总结性观点与展望性想法。
2.方法论（Methodology）
2.1 气候网络 (Climate network)
二十多年来，复杂网络范式已展现出其作为多功能工具的巨大潜力，用于探索来自物理学、生物学、社会科学、经济学及许多其他领域中的复杂系统的动态和结构特性[37,40,47–52]。在网络理论的背景下，复杂网络是一种具有非平凡拓扑特征的图，这些特征在简单网络（如规则晶格（图2a）或随机埃尔德什–雷尼（Erdős–Rényi，ER）图（图2b））中并不存在。复杂网络理论的一个新特点是它能够将拓扑特征与系统功能及动力学联系起来。复杂网络理论已成功应用于许多现实世界的系统，并揭示了其功能背后的基本机制。研究还发现，许多现实世界网络都是无标度网络（图2c）[38,53]。
近年来，网络理论的思想也被应用于气候科学中，以构建气候网络（Climate Networks，CN）[43,44,54]。在气候网络中，地理位置（或网格点）被视为网络中的节点，两个网格点之间记录（时间序列）的相似性（因果性）水平则表示连接及其强度。各种气候数据，如温度、气压、风速和降水，都可以用来构建网络。气候网络方法可以研究全球不同地点之间的相互关系，从而代表气候系统的整体行为，例如能量和物质如何从一个地点转移到另一个地点。这些网络已被成功用于分析、建模、理解和甚至预测各种气候现象[44–46,55–70]。图3展示了气候网络的一个可视化示例。
我们首先介绍用于描述网络拓扑结构的一些定义、符号和基本量，然后概述如何构建一个气候网络。
[图片]
图2. 基本研究模型网络的特征。（a）一个规则的二维方格晶格，是最高度均匀的网络。（b）一个埃尔德什–雷尼（Erdős–Rényi，ER）网络，其度分布为泊松分布，其度异质性由平均度 ⟨k⟩ 决定。（c）一个无标度（scale-free，SF）网络，其度分布服从幂律分布，因此具有很高的度异质性。图（d）、（e）和（f）分别显示了二维方格晶格、ER 网络和 SF 网络的度分布情况。
[图片]
图 3.考虑到地球表面顶点的空间嵌入，地表气温气候网络的可视化。
资料来源图目参考文献[71]
2.1.1 网络特征 (Network characteristics)
在本节中，我们将回顾用于描述和分析网络的基本特征和指标，其中大部分来自图论[72]。图论是一个庞大的领域，包含许多分支，但我们在此仅介绍其中一小部分成果，重点介绍与复杂地球系统研究最相关的成果。网络，在数学文献中也称为图，是由边连接的顶点集合。顶点和边在计算机科学中也被称为节点和链接，在物理学中被称为站点和纽带，在社会学中被称为行动者和纽带[40]。在本综述中，我们将用 $$N$$ 表示顶点数，用 $$M$$ 表示边数，这也是数学和物理学文献中的常用符号。
邻接矩阵（The adjacency matrix）
我们将在本综述中研究的大多数网络，其任意一对顶点之间最多只有一条边，即不允许自边或自循环。在许多情况下，网络的一个简单表示方法是邻接矩阵 $$A$$ ，其元素 $$A_{ij}$$ 如下:
$$A_{ij} =
\begin{cases}
1 & \text{if there is an edge between vertices } i \text{ and } j, \\
0 & \text{otherwise.}
\end{cases}
$$
我们应该注意到，在邻接矩阵中，对角矩阵元素全部为零。在某些情况下，将边表示为有强度、权重或值（通常是实数）是有用的。这种加权或加值网络可以通过赋予邻接矩阵元素等于相应连接权重的值来表示。有向网络或有向图，又称数字图，是指每条边都有一个方向，从一个顶点指向另一个顶点的网络。这种边本身称为有向边。在这种情况下，邻接矩阵通常不是对称的，变成
$$A_{ij} =
\begin{cases}
1 & \text{if there is an edge from } i \text{ to } j, \\
0 & \text{otherwise.}
\end{cases}$$
度数（Degree）
网络中顶点的度是指与之相连的边的数量。我们用$$k_{i}$$表示顶点$$i$$的度。对于一个有$$N$$个顶点的无向网络，度数可以用邻接矩阵（公式 (3) ）表示为
$$k_i = \sum_{j=1}^N A_{ij}.$$
边数 $$M$$等于所有顶点的度数之和除以 2，因此
$$M = \frac{1}{2} \sum_{i=1}^N k_i = \frac{1}{2} \sum_{ij} A_{ij}.$$
无向图中节点的平均度$$\langle k \rangle$$为 $$\langle k \rangle = \frac{1}{N} \sum_{i=1}^{N} k_i = \frac{2M}{N}.$$
在有向网络中，度的概念更为复杂。在有向网络中，每个顶点或节点都有两个度。入度$$k_i^{\mathrm{in}}$$ 是连接到节点的入边的数量，出度 $$k_j^{\mathrm{out}}$$是连接到节点的出边的数量。根据有向网络的邻接矩阵公式 (3)，它们可以写成：请记住，有向网络中的边数等于所有顶点上的边的内向端总数，或等同于边的外向端总数。
$$k_i^{\mathrm{in}} = \sum_{j=1}^{N} A_{ij}, \quad k_j^{\mathrm{out}} = \sum_{i=1}^{N} A_{ij}.$$
请记住，有向网络中的边数等于所有顶点上的边的内向端总数，或等同于边的外向端总数。
度分布（Degree distributions）
度分布是可以直接测量的网络最基本属性之一，或者说是具有 $$k$$ 个连接（度）的节点的分数$$P(k)$$ 。厄尔多斯-雷尼(Erdős–Rény)网络 [73] 的一个著名结果是，它的度分布遵循泊松系数,
$$P(k)=\frac{e^{-z}z^{k}}{k!},$$
其中$$z = \langle k \rangle $$是平均度数。如图 2e 所示，尽管边的位置是随机的，但典型的随机图是相当均匀的，最大数量的节点具有相同数量的边。
然而，对实际网络（如互联网 [74]、WWW [38]、电子邮件网络 [75]、新陈代谢网络 [76]、航空网络 [77]、神经元网络 [78] 等）的阶数分布的直接测量表明，泊松定律并不适用。但它们表现出近似幂律的度分布：
$$P(k)=C k^{-\lambda}$$
其中 , $$C$$ 是归一化系数。常数 $$\lambda$$ 被称为幂律的指数。数值范围$$ 2 \leq \lambda \leq 3 $$ 是典型值，但也有可能略微超出这个范围，偶尔也会观察到 [79]。具有幂律阶数分布的网络被称为无标度网络。确定无标度特性的最简单方法是在对数-对数图上如图观察度分布直方图，2f 所示，看是否有一条直线。关于无标度网络的演化，已经提出了几种模型，每种模型都可能导致不同的集合。第一个提议是巴拉巴西和阿尔伯特的优先附着模型，即所称的巴拉巴西-阿尔伯特模型[38]。该模型的几个变体已被提出，见参考文献[80]等。
聚类系数（Clustering coefficient）
网络中节点在很短的范围内聚集在一起的程度用聚类系数来衡量。聚类的定义与网络中三角形的数量有关。如果共享一个邻居的两个节点相互连接的概率很高，那么聚类系数就很高。最常见的聚类系数定义方法是：
$$C = \frac{(\text{number of triangles}) \times 3}{\text{(number of connected triples)}}
$$
这里的 "相连三角形 "指的是三个节点$$uvw$$ ，并带有边$$(u, v)$$和 $$(v,w)$$。分子中的 3 因子是因为在计算网络中的连接三元组时，每个三角形会被计算三次。我们还可以通过定义单个顶点的局部聚类系数：
$$C_i = \frac{\text{the number of triangles connected to vertex } i}{\text{the number of triples centered on vertex } i}$$
也就是说，要计算$$C_i$$，我们要遍历所有与$$i$$相邻的不同顶点对，计算其中相互连接的顶点对数，然后除以顶点对总数。$$C_i$$表示一对相邻顶点的平均概率的朋友是彼此的朋友。对于阶数为或的顶点，其分子和分母均为零，我们假设 $$C_i = 0$$ 。那么整个网络的聚类系数 [37] 就是平均值$$ C = \frac{1}{N} \sum_{i} C_i $$。在两个情况下，聚类范围都是$$ 0 \leq C \leq 1$$ 。
子图（Subgraphs）
图 $$G_1$$由节点集合$$P_1$$和边集合 $$E_1$$ 组成, 即为图$$G = \{P, E\} $$ 的子图，如果$$P_1$$ 中的所有节点也是$$P$$ 的节点，并且$$E_1$$ 中的所有边也是$$E$$ 的边。子图最简单的例子是环、树和完全子图[81]。一个 $$k$$ 阶环是由 $$k$$ 条边组成的闭合回路，其中每两条连续的边（且仅有这两条边）有一个共同的节点。也就是说，在图形上，三角形是3阶环，而矩形是4阶环。环的平均度等于2，因为每个节点都有两条边。如图4a所示，树是一个连通的、无向的网络，不包含闭合回路。这里，通过“连通”我们指的是网络中的每个节点都可以通过网络中的某条路径从其他任何节点到达。河流网络是自然产生的具有有向连接的树的一个例子[82]。树最重要的性质是，由于它们没有闭合回路，因此任意一对节点之间只有一条路径。因此，树中的边数总是恰好为 $$k-1$$ 条边。$$k$$阶完全子图，也称为$$k-clique$$,包含$$k$$个节点和所有可能的 $$k(k-1)/2$$条边——换句话说，它们是完全连通的[见图4b]。
让我们考虑ER模型，其中我们从$$N$$ 个孤立的节点开始，然后以概率 $$p$$连接每对节点。更一般地，我们可以询问是否存在一个临界概率，该概率标志着由 $$k$$个节点和 $$l$$ 条边组成的任意子图的出现。可以直接回答这个问题的一些重要的特殊情况[81]是：（i）具有$$k$$阶树的阈值概率为 $$p_c(N) = cN^{-\frac{k}{k-1}} $$;（ii）具有$$k$$阶环的阈值概率为 $$p_c(N) = cN^{-1} $$;（iii）具有$$k$$阶完全子图的临界概率为 $$p_c(N) = cN^{-\frac{2}{k-1}} $$
通常，一个网络总是由许多分离的子图或组件组成，即内部连接的节点组，但与其他节点断开连接。在每个这样的组件中，任意两个节点之间都存在一条路径，但不同组件中的节点之间不存在路径。大小与整个网络成比例的网络组件, $$N$$ ，被称为巨型组件。
与组件类似，社群的概念也是复杂网络中最基本的属性之一 [83]。网络的节点可能会结合成紧密连接的群体，而在它们之间仍然存在链接，但连接较少。网络的单个节点可能属于多个社群，并且大多数实际网络由高度重叠的节点社群组成 [84]。由于社群结构在真实网络中非常常见，因此社群发现和检测对于更好地理解网络的功能至关重要。图 4c 显示了一个重叠的 k-团社群的示例。关于图中的社群检测的良好综述可以在参考文献 [85] 中找到。
网络模型 (Network models)
Erdős–Rényi模型：它可以通过以下两个经过充分研究的图集合来解释，$$G_{N,M}$$是具有$$N$$个顶点和$$M$$条边的所有图的集合；以及，$$G_{N,p}$$即由具有$$N$$个顶点的图组成的集合，其中每个可能的边以概率$$p$$实现/连接。如果$$M = \binom{N}{2} p $$，则已知这两个最初由Erdős和Rényi研究的族[73]是相似的。它们被称为Erdős–Rényi (ER)模型。这些描述与统计物理学中研究的微正则系综和正则系综非常相似[86]。ER模型一直是随机图领域的主要研究对象[81]，具有泊松度分布，见公式(7)。

[图片]
图 4. 子图概念的说明。(a) 树状网络，(b) 完全完成的网络，(c) k = 4 时的重叠 k-团社区的示例。来源：(c)：转载自参考文献 [84] 中的图。
Barabási–Albert模型：它基于关于网络演化的两个简单假设[38]。（i）增长：从少量节点开始，在每个时间步，添加一个具有$$m (⩽ m_0) $$条边的新的节点，该节点将连接到系统中已存在的个不同的节点。（ii）优先连接：这是模型的核心。在选择新节点将要连接的节点时，新节点将连接到节点的概率 $$\Pi $$取决于节点$$i$$的度$$k_i$$，使得$$\Pi(k_i) = \frac{k_i}{\sum_{j} k_j} $$。在这个过程中，经过$$t$$个时间步后，这将导致一个具有$$N = t+ m_0$$个节点和条边的网络。理论和数值结果表明，该网络模型演变为幂律度分布，见公式（8）。
Watts–Strogatz 模型: 1998年，Watts和Strogatz [37] 提出了一个单参数模型，该模型在规则格子和随机图之间进行插值。该模型背后的细节如下：(i) 起始状态：从一个具有 $$N$$个节点的环状格子开始，其中每个节点都连接到其最近的个邻居。为了始终拥有一个稀疏但连通的网络，考虑$$N \gg k \gg \ln(N) \gg 1$$ 。(ii) 随机化：以概率$$p$$ 随机重连格子的每条边，排除自连接和重复边。这个过程引入了$$pNK/2$$ 条长程边。该模型产生的网络特性是小世界性和高聚类系数。具体来说，小世界网络指的是特征路径长度 $$L$$ 与节点数量的对数成正比的网络，$$L ∝ log N$$。
2.1.2. 皮尔逊相关气候网络 (Pearson correlation climate network)
我们的气候系统由大量的非线性子系统组成，这些子系统在广泛的时间和空间尺度上具有相互的非线性相互作用和反馈回路。因此，从复杂网络的角度对地球气候系统进行建模，可以清晰地提供对演变中的气候系统潜在动力学的关键见解。如上所述，在复杂网络中，地球的地理区域被视为节点，而成对的气候变量时间序列之间相似性的双变量统计分析则代表了链接。
一般来说，CNs的构建和分析有五个步骤[46]，该过程如图5所示，改编自[87]。步骤 (i)：节点，CNs中的节点通常定义为经纬度空间网格中不同分辨率的位置。（ii）：气候变量，我们选择合适的气候时间序列进行分析，例如，地表气温、海面温度、降水、风等。通常还需要进行一些预处理。例如，为了避免季节性的强烈影响，我们通常会减去平均季节周期，并除以每个网格点时间序列的季节性标准差。（iii）：边，在此步骤中，我们计算统计相似性，以量化时间序列对之间的相互依赖性。每条边的强度都是基于相关性的。有很多方法可以量化时间序列的相互依赖性，这里我们提到按相关性度量划分的CNs类型。例如，Pearson相关气候网络，我们使用Pearson相关来量化时间序列之间的互相关；而事件同步气候网络使用事件同步方法；互信息气候网络则基于互信息。（iv）：构建，在此步骤中，我们构建CN，这通常涉及一些阈值标准，以仅选择具有统计意义的边。考虑到，例如，显著链接的值 $$\mathcal{W}_{ij}$$高于给定的阈值 $$\mathcal{W}_{c}$$，则邻接矩阵确定为
$$\mathcal{A}_{ij} = \mathcal{H}(\mathcal{W}_{ij} - \mathcal{W}_c)$$
其中$$\mathcal{H}$$是Heaviside函数。然后，我们通过使用各种网络特征来研究所获得的网路。最后，在步骤(v)：气候学解释中，本分析的结果将根据气候系统的动力过程（例如，大气环流、洋流、大量波等）进行解释。
[图片]
图5. 从气候时间序列构建气候网络的方法. 来源：转载自参考文献[87]中的图。

在下文中，我们将演示如何构建皮尔逊相关气候网络。假设气候变量是每日地表气温，可以来自观测、替代重建、再分析或模拟，这些数据收集于静态测量站，或在网格单元中提供。在网络的每个节点处，我们计算每日大气温度异常$$T_i(t)$$（实际温度值减去气候平均值，然后除以气候标准差），针对每个日历日。
为了获得节点对和之间连接权的时间演化，我们遵循[66]，并计算在整个时间跨度内的每个时间窗口$$t$$（如月或年）的时间延迟互相关函数，定义为
$$C_{ij}^{(t)}(-\tau) = \frac{\langle T_i^{(t)}(t)T_j^{(t)}(t - \tau)\rangle - \langle T_i^{(t)}(t)\rangle\langle T_j^{(t)}(t - \tau)\rangle}{\sqrt{\langle(T_i^{(t)}(t) - \langle T_i^{(t)}(t)\rangle)^2\rangle} \cdot \sqrt{\langle(T_j^{(t)}(t - \tau) - \langle T_j^{(t)}(t - \tau)\rangle)^2\rangle}},$$
和 and
$$C_{ij}^{(t)}(\tau) = \frac{\langle T_i^{(t)}(t - \tau)T_j^{(t)}(t)\rangle - \langle T_i^{(t)}(t - \tau)\rangle\langle T_j^{(t)}(t)\rangle}{\sqrt{\langle(T_i^{(t)}(t - \tau) - \langle T_i^{(t)}(t - \tau)\rangle)^2\rangle} \cdot \sqrt{\langle(T_j^{(t)}(t) - \langle T_j^{(t)}(t)\rangle)^2\rangle}},$$
[图片]
图 6. Pearson 相关气候网络中的典型加权有向链接。(a) 节点 i 位于西南大西洋，节点 j 位于南美大陆。(b) [2014,2018] 年期间的近地面日气温异常。(c) (b) 中所示时间序列之间的互相关函数。此链接的方向是从 i 到j ，权重为$$W_{ij}^+ = 5.71$$。
其中括号表示过去$$T$$天的平均值，根据
$$\langle f(t) \rangle = \frac{1}{T} \sum_{a=1}^{T} f(t - a).$$
这里，$$τ $$是时间滞后，范围是$$[0 ,τ_{max}]$$天。背景噪声水平的可靠估计，即的值，已在 [88,89] 中讨论。基于相关函数，公式。（12）和（13），节点 $$i$$和 $$j$$之间的加权有向链接在参考文献中定义。[59,61,64]。这是通过识别互相关函数的最高峰（或最低谷）的值来完成的，并将此峰（谷）的相应时间滞后表示为$$θ_{i,j}$$ 。$$θ_{i,j}$$的符号表示每个链接的方向；即，当时间滞后为正时( $$θ_{i,j}>0$$)，链接的方向是从$$j$$ 到 $$i$$[64]。正向和负向链接及其权重通过 $$C_{i,j}(τ)$$确定，并定义为
$$W_{ij}^+ = \frac{\max(C_{ij}(\tau)) - \text{mean}(C_{ij}(\tau))}{\text{std}(C_{ij}(\tau))},$$
$$W_{ij}^- = \frac{\min(C_{ij}(\tau)) - \text{mean}(C_{ij}(\tau))}{\text{std}(C_{ij}(\tau))},$$
其中，“max”和“min”是互相关函数的最大值和最小值，“mean”和“std”是平均值和标准差。典型的时间序列及其互相关函数如图6所示。为了演示，选择了两个节点，一个节点位于西南大西洋，一个节点位于南美大陆（图6a）。2014年至2018年期间的近地表日平均气温异常如图6b所示。时间序列之间的互相关函数如图6c所示，其中最大互相关函数的绝对值远大于噪声水平和最小值。由于$$θ_{i,j}=2>0$$，则链接的方向是从$$j$$到$$i$$。根据公式(15)，我们计算出其权重为$$W_{ij}^+ = 5.71$$。该值表示高于噪声水平5.71个标准差，即高度显著。
最后，可以通过在节点对之间建立连接来构建网络，这些连接的权重大于某个显著阈值。这种方法的优点是它克服了数据中强自相关值的问题[88]。
2.1.3. 事件同步气候网络 (Event synchronization climate network)
事件同步方法提供了一种从气候观测构建网络的替代方法：事件同步气候网络 (CN)。它最初由 Quian Quiroga 等人 [90] 提出，他们测量了同步性并推断了神经科学中信号之间的时间延迟。事件同步基于事件的相对时间，例如时间序列中的降雨，并由阈值的交叉或局部最大值或最小值等定义。例如，极端降雨事件被定义为降水量高于所有日子的第 99 个百分位数的日子。事件同步特别适合研究极端事件。同步程度由准同时发生的事件数量获得，延迟由一个时间序列（信号）中事件相对于另一个时间序列（信号）的优先顺序计算得出。
事件同步开始于从两个离散的单变量时间序列 $$X$$ 和 $$Y$$构建两个事件序列。如果$$0 \leq |t_l^x - t_m^y| < \tau_{lm}^{xy} $$ ，则在时间 $$t_{l}^x$$ 在 $$X$$发生的事件 $$l$$被认为与在时间 $$t_m^y$$在 $$Y$$发生的事件$$m$$ 在时间滞后 $$lag ± \tau_{lm}^{xy}$$内同步，其中
$$\tau_{lm}^{xy} = \min \left\{ t_{l+1}^x - t_l^x, t_l^x - t_{l-1}^x, t_{m+1}^y - t_m^y, t_m^y - t_{m-1}^y \right\} / 2.$$
这里,$$l=1, 2,...,e_x$$ 和$$m=1,2,...,e_y$$，并且 $$e_x$$和 $$e_y$$分别是 $$X$$ 和 $$Y$$中的事件数量。统计一个事件在 $$X$$ 中发生后不久在 $$Y$$ 中出现的次数,
$$c(x|y) = \sum_{l=1}^{e_x} \sum_{m=1}^{e_y} J_{xy}^{lm}$$
With
$$J_{xy}^{lm} = \begin{cases}
1, & \text{if } 0 < t_l^x - t_m^y \leq \tau_{lm}^{xy}, \\
1/2, & \text{if } t_l^x = t_m^y, \\
0, & \text{else},
\end{cases}$$
与公式 (18) 类似，我们可以定义。最后，对称和反对称的组合
$$Q_{xy} = \frac{c(y|x) + c(x|y)}{\sqrt{e_x e_y}}, \quad q_{xy} = \frac{c(y|x) - c(x|y)}{\sqrt{e_x e_y}},$$
分别用于测量事件的同步性和它们的延迟行为。它们被归一化到 $$0 \leq Q_{xy} \leq 1 \quad \text{和} \quad -1 \leq q_{xy} \leq 1. $$ 。应该注意的是，如果一个记录中几个极端事件非常接近，那么只考虑第一个。特别地，$$ Q_{xy}=1 $$当且仅当信号的事件完全同步。此外，如果 $$X$$ 中的事件总是先于 $$Y$$ 中的事件，那么我们得到 $$q_{xy} = 1$$
事件同步方法已被发现对脑电图信号[90]、神经生理信号[91]以及极端降雨事件模式[92–96]的研究很有用。
2.1.4. 互信息气候网络
互信息方法也是量化时间序列之间相互依赖性和构建气候网络的常用工具之一。两个随机变量的互信息是衡量这两个变量之间相互依赖性的指标。互信息的概念与随机变量的熵密切相关[97]。设X和Y是一对随机变量，其值域为$$X ×Y$$ 。如果它们的联合分布为p(x, y)，并且它们相关的边际概率分布函数为p(x)和p(y)，那么互信息定义为
$$M_I = \sum_{x} \sum_{y} p(x, y) \log \left( \frac{p(x, y)}{p(x)p(y)} \right)$$
发生概率为零的状态将被忽略。
直观地说，$$M_I$$ 是衡量$$X$$ 和$$Y$$ 的联合分布中表达的内在依赖性相对于它们在独立假设下的相应联合分布的度量。因此，互信息衡量的是依赖性和非线性，事实上：当且仅当 $$X$$ 和 $$Y$$ 是独立的随机变量时，$$M_I=0$$，即$$p(x, y) = p(x)p(y)$$。此外，互信息是非负的、对称的，并且也可以通过时滞来计算 [98]。在获得每对节点的互信息系数（公式 21）后，我们可以构建一个互信息气候网络。研究表明，互信息气候网络可以很好地捕捉到大西洋年代际涛动中发生的海面温度（SST）异常的西向传播 [99]。
总而言之，在本章中，我们描述了不同的网络特征，并介绍了各种线性和非线性时间序列分析工具，这些工具可用于构建、定义和表征CN。线性和非线性方法包括Pearson相关、事件同步以及信息论度量，如熵和互信息。还有一些其他强大的工具，例如，谱分析、经验正交函数分析和符号序数分析，可用于重建CN [46]。

2.2 渗流理论 (Percolation theory)
渗流最初用于描述流体在多孔材料中的运动和过滤[100]。Flory 和 Stockmayer 在聚合和溶胶-凝胶转变中也考虑了渗流的观点 [101]。
[图片]
图 7.512 512 二维方格上的键渗簇，p分别为 (a) 0.3、(b) 0.5 和 (c) 0.55。不同大小的簇具有不同的颜色。较大簇的颜色取决于其大小，从蓝色（小簇）到红色（无限簇）不等。渗流阈值为 p(c)= 0.5。
近年来，它已成为空间随机过程理论的基石，广泛应用于统计物理[102-105]、相变[106,107]、材料[108,109]、流行病学[110-113-121]、网络[30,38,40,114]、胶体[122,124,125,126,123]、半导体、交通、湍流以及地球系统[33,65,67,127-130]等领域的各种问题。在研究复杂系统的结构、稳健性和功能方面，渗流理论也发挥着举足轻重的作用 [131]。
众所周知，在晶格和其他有序网络中 [106,107,132]，当维度大于 1 时，就会发生渗滤相变。渗滤过程是一个简单的模型，其中节点（位点）或边（键）被占用的概率为 $$p$$，未被占用的概率为 $$q=p-1$$。以规则晶格为例（见图 2a）。如果存在一条从一侧到另一侧的平行路径，且该路径只经过被占据的键和位点，那么该系统就被重新划分为渗滤系统。当存在这样一条路径时，跨越晶格的位点组分或位点簇被称为跨越簇或无限渗流簇。在低浓度 $$p$$ 下，位点要么是孤立的，要么是由最近邻的位点组成的小簇。如果两个位点通过一条最近邻位点路径相连，它们就属于同一个簇。另一方面，当 $$p$$ 值较大时，至少有一条路径存在于相对的两侧之间（见图 7）。渗滤相变发生在某个临界密度 p(c)，该密度取决于晶格的类型和维度。
对于许多复杂网络来说，边的概念并不存在。然而，渗滤理论的思想和工具仍然可以应用[51]。主要区别在于，渗滤的条件不再是存在跨簇，而是拥有一个包含 $$O(N)$$ 个节点的簇。如果存在这样的分量，我们称之为巨型分量，这在第 2.1 节中已经讨论过。事实上，巨型分量存在的条件也适用于网格网络，因此它可以作为比跨度属性更通用的条件。
渗流有两种类型，一种是位点渗流，即所有位点都有概率 $$p$$ 被占用，$$1-p$$ 。而在键渗流中，键被占用的概率为 $$p$$ ，超过 $$p(c)$$ 时，它们会形成一个巨大的连通点。在这篇综述中，我们将重点讨论渗流临界现象，即接近渗流阈值 $$p(c)$$ 时，首次形成巨型分量或系统坍缩[133]。这些方面被称为临界现象，描述临界现象的基本理论是相变的缩放理论。
2.2.1. 相变 (Phase transition)
相变的概念通常用于描述热力学物理系统中物质的固态、液态和气态之间的转变，即有序相（如固态）在某个临界温度 $$T_c$$ 时转变为无序相（如液态）[26]。相变的另一个经典例子是磁性相变，用伊辛模型解释就是在低温、无任何外场的情况下出现自发磁化$$m>0$$ 。当温度升高时，自发磁化会减小，并在 $$T_c$$ 时消失。
实际上，渗滤是一种简单的几何相变，渗滤阈值 p(c)可以区分有限簇的相位（无序相）和无限簇的相位（有序相）。位点或键的占据概率 p 与热相变中的温度起着相同的作用。在统计物理学中，它们通常被称为控制参数。
渗流序参数 (Percolation order parameter)
渗流阶数参数 $$P_{\infty}$$定义为无限簇的相对大小，即属于无限簇的位点分数。对于$$p < p_c$$，只存在有限簇，因此 $$P_{\infty}=0$$；但对于 $$p > p_c$$，$$P_{\infty}$$类似于$$T_c$$以下的磁化，在 $$p_c$$附近表现为幂律
$$P_{\infty} \sim (p - p_c)^{\beta}.$$
[图片]
图8. 晶格和网络系统中的渗流相变。渗流序参量P∞作为占据概率p的函数，对应于(a) pc = 0.5的二维键渗流，(b) pc ≈ 0.593的二维点渗流，以及(c) pc = 0.25的ER网络。这里ER网络的平均度⟨k⟩ = 4。

它描述了渗滤系统中的有序性，因此被称为序参数。我们在图 8 中分别展示了二维方格模型中键渗流和位点渗流以及 ER 网络中位点渗流的 P 随 p 变化的情况。值得注意的是，我们在图 8 中采用 p 作为控制参数，这使得 P 成为单调递增函数。当 p 逐渐减小（从 1 开始）时，可视为节点或链路的移除（或攻击），系统在移除 1 的一部分后崩溃p(c)。因此，1-p(c)可以衡量系统的弹性，即系统离崩溃有多近。
团簇尺寸分布 (Cluster size distribution)
临界附近的有限分量分布遵循标度形式[106,107]，即距离坍缩有多近。
$$n_s \sim s^{-\tau} e^{-s/s_{\xi}}.$$
其中，s 代表分量大小，$$n_s$$代表分量大小为 s 的分量数量。$$s_{\xi} \sim |p - p_c|^{-\sigma}$$发散，分布尾部表现为临界指数为 σ 的幂律。
平均簇大小 (Average cluster size)
对于任何给定的站点，其属于规模为的聚类的概率为 sn(s)。让我们将 ρ(p) 定义为任何给定站点隶属于一个有限群集的概率
$$\rho(p) = \sum_{s=1}^{\infty} s n_s(p) = M_1(p),$$
即集群规模分布的第一矩。因此，对于任何给定有限群集的任何给定站点，该群集规模的概率$$w_s(p)$$ 为
$$w_s(p) = \frac{1}{\rho(p)} s n_s(p),$$
对于任意给定有限簇的任意位置，簇的平均大小$$\langle s(p) \rangle$$为
$$\langle s(p) \rangle = \sum_{s=1}^{\infty} s w_s(p) = \frac{1}{\rho(p)} \sum_{s=1}^{\infty} s^2 n_s(p) = \frac{M_2(p)}{M_1(p)}.$$
注意，平均大小$$\langle s(p) \rangle⟩$$，不包括无限簇，在临界点附近发散为：
$$\langle s \rangle \sim |p - p_c|^{-\gamma}, \quad (p \to p_c).$$
相关长度(Correlation length)
相关函数 $$g(\mathbf{r})$$ 是指一个有限簇中占位点与位于$$ \mathbf{r}$$位点之间的位点属于同一簇的概率。通常，对于较大的$$ r \equiv |\mathbf{r}|$$时，存在一个指数截止点，即$$ g(\mathbf{r}) \sim e^{-r/\xi}$$，相关长度为 ξ 。相关性长度ξ定义为
$$\xi^2 = \frac{\sum_{\mathbf{r}} r^2 g(\mathbf{r})}{\sum_{\mathbf{r}} g(\mathbf{r})}.$$
ξ测量同一有限群组中两个站点之间的平均距离。当 $$p$$接近 $$p_c$$时，ξ 以下列方式增加
$$\xi \sim |p - p_c|^{-\nu}.$$
$$ P_{\infty}$$和$$\langle s \rangle$$类似于磁性系统中的磁化 m 和磁感应强度 χ。β、γ和 ν 称为临界指数，描述了渗滤相变的临界行为。
2.2.2. 结构特性 (Structural properties )
接下来，我们将简要介绍一些用于表征渗流簇结构特性的基本测量方法。更多详情，读者可参阅文献[106]。[106].
分形维度 (Fractal dimension)
分形概念由Mandelbrot [134] 引入物理世界，Stanley [135] 将其应用于渗滤，以描述渗滤阈值 $$p_c$$处的簇形状。无限簇在所有长度尺度上都是自相似的，可视为分形。分形维度$$d_f$$ 的定义是：在距离集群某点半径为 r 的球面内，集群的质量 M 平均随 r 的变化情况
$$M(r) \sim r^{d_f}.$$
当长度尺度小于相关长度 ξ 时，存在分形结构。当长度尺度大于 ξ 时，集群变得均匀。这可以概括为
$$M(r) \sim
\begin{cases}
r^{d_f}, & r \ll \xi \\
r^d, & r \gg \xi.
\end{cases}$$
巨型分量的相对大小$$P_{\infty}$$也可以表示为
$$P_{\infty} \sim \frac{r^{d_f}}{r^d} = \frac{\xi^{d_f}}{\xi^d}, \quad r < \xi.$$
渗滤簇的分形维数$$d_f$$与临界指数 β 和 ν 有关。将公式 (22) 和 (29) 代入公式 (32)，得到 $$d_f = d - \frac{\beta}{\nu}.$$
分形分析也被应用于复杂网络的研究 [136]。一般来说，计算给定系统的分形维数有两种基本方法，即使用盒计数法 [137] 或聚类增长法 [138]。(i) 方块计数法：设 $$N_B$$为线性大小为$$ l_B$$的方框数，该方框数需要涵盖对象，分形维度$$d_f$$由 $$N_B \sim l_B^{-d_f}$$给出。这意味着，在一个分形对象中，节点的平均数量$$\langle M_B(l_B) \rangle $$大小为$$l_B $$的方格内节点的平均数量为
$$\langle M_B(l_B) \rangle \sim l_B^{d_f}.$$
分形维数 $$d_f$$可以通过幂律拟合得到。(ii) 聚类增长法：与公式 (30) 类似，分形维度 $$d_f$$可通过以下方法计算
$$\langle M_C \rangle \sim l^{d_f}.$$
其中，$$\langle M_C \rangle $$是集群的平均质量，定义为集群中线性大小 ℓ 内节点的平均数量。需要注意的是，上述方法很难直接应用于网络，因为网络一般不嵌入空间。为了测量网络的分形维度，人们通常会结合重正化的概念 [136]，即对每个化学大小 l(B)放置方框，直到覆盖整个网络。然后将每个方框替换为一个节点（重正化），如果未重正化的⟨(B) 和⟨(B) 之间至少有一个链接，则重正化的节点是相连的。盒之间的链接。重复这一过程，随着$$N_B \sim \ell_B^{-d_f}$$，盒子的数量$$N_B$$与$$\ell_B$$成比例。
图形维度 $$d_{\text{min}}$$和$$d_\ell$$(Graph dimensions $$d_{\text{min}}$$and$$d_\ell$$)
分形维数 dmin被用来描述同一簇中两个任意位点之间最短路径的结构特性。假设 ℓ 是路径长度，通常称为 "化学距离"[139]，它与 r 的关系为
$$\ell \sim r^{d_{\min}},$$
而 ℓ 范围内的位点数量为
$$M(\ell) \sim \ell^{d_\ell},$$
其中 dℓ 通常称为 "图形维度 "或 "化学维度"。结合公式 (30)、(35) 和 (36)，我们可以得到 $$d_{\text{min}}$$,$$d_\ell$$和$$d_f, d_\ell = \frac{d_f}{d_{\text{min}}}$$。除了上述分形维度指数 $$d_{\text{min}}$$,$$d_\ell$$ 和$$d_f$$之外，还有一些其他指数，如骨架指数和红键指数，用于描述构成渗流簇的子结构的分形维度[26,107]。
2.2.3. 标度理论 (Scaling theory)
相变的缩放假说由肯尼斯-威尔逊（Kenneth G. Wilson）在上个世纪提出，并于 1982 年获得诺贝尔奖。渗滤簇的缩放理论将渗滤转变的临界指数与簇大小分布 $$n_s(p)$$联系起来。根据缩放假设， $$n_s(p)$$的关系式如下
$$n_s(p) \sim s^{-\tau} f\left( |p - p_c|^{1/\sigma} s \right),$$
其中，τ 是费雪指数[102]，而 $$f(x)$$ 是遵循$$f(x) = \exp(-x)$$之后的缩放函数，它会迅速衰减为零。相关长度 ξ 定义为所有簇中同一有限簇上被占据位点之间的均方根距离，见公式 (28)。对于有 s 个位点的簇，每个簇上所有位点对之间的均方根距离为
$$R_s^2 = \frac{2}{s(s-1)} \sum_{i=1}^{s} \sum_{j=1}^{i} (\mathbf{r}_i - \mathbf{r}_j)^2,$$
因此
$$\xi^2 = \frac{\sum_{s=1}^{\infty} R_s^2 s^2 n_s}{\sum_{s=1}^{\infty} s^2 n_s}.$$
在接近渗滤阈值$$p_c$$时， $$R_s \sim s^{1/d_f}$$，由上式可得
$$\xi^2 \sim \frac{\sum_{s=1}^{\infty} s^{2/d_f + 2 - \tau} f\left( |p - p_c|^{1/\sigma} s \right)}{\sum_{s=1}^{\infty} s^{2 - \tau} f\left( |p - p_c|^{1/\sigma} s \right)}.$$
为了计算式 (40) 中的和，我们将它们转化为积分，得到
$$\xi^2 \sim |p - p_c|^{-2/(d_f \sigma)},$$
由此得出 ν、σ 和 τ 之间的比例关系
$$\nu = \frac{1}{d_f \sigma} = \frac{\tau - 1}{d \sigma},$$
其中d是系统的维度。
考虑集群规模分布的第 k 个时刻
$$M_k = \sum_{s=1}^{\infty} s^k n_s(p) \sim \sum_{s=1}^{\infty} s^{k-\tau} f\left( \frac{s}{\xi^{d_f}} \right),$$
在临界区的比例为
$$M_k \sim \xi^{d_f (k - \tau + 1)} \sim |p - p_c|^{(\tau - 1 - k)/\sigma}.$$
接下来我们考虑渗滤阶次参数 $$P_\infty$$，其表现为 [106]，
$$P_{\infty} = 1 - \frac{1}{p} \sum_{s} s n_s \sim \sum_{s} s (n_s(p_c) - n_s(p)) \sim (p - p_c)^{(\tau - 2)/\sigma}.$$
结合公式 (22)，我们可以得出，
$$\beta = \frac{\tau - 2}{\sigma}.$$
同样，对于 k= 2，我们得到关系式 $$M_k \sim |p - p_c|^{(3-\tau)/\sigma}$$，得出
$$\gamma = \frac{\tau - 3}{\sigma}.$$
因此，临界指数并不是相互独立的，而是满足两组缩放和超缩放关系。公式 (42)、(46) 和 (47) 可以轻松表示缩放关系。
2.2.4. 普遍间隙缩放 (Universal gap scaling )
渗滤的一个有趣特性是普遍性，这是相变临界点或临近相变临界点行为的基本原则。因此，临界指数只取决于系统的维度，与系统的微观相互作用细节无关。如上一节所述，系统的行为由一组临界指数来表征。如果两个系统的临界指数值相同，则它们属于同一普遍性类别。普遍性是相变的一般特征。相变也是以控制有限尺寸行为的缩放函数为特征[140]。有限尺寸缩放概念为研究渗滤转变提供了一个通用工具。
[图片]
图9. 爆炸渗流模型示意图。(A) 在每一步中，随机选择两个顶点并通过一条边连接。(B) 在乘积规则（PR）过程的每个时间步，两条边e1和e2竞争加入。被选中的边是使它合并的组件大小乘积最小的边。这里e1被接受，e2被拒绝。(C) 在大小为N = 512,000的系统上，ER、Bohman Frieze（BF）和PR过程的典型演化。来源：图取自参考文献[116]。

通常，在随机占据或破坏过程中，晶格或网络会发生连续的渗滤相变 [81]。近年来，非随机过程而是竞争性链路添加过程的爆炸性、混合性和真正不连续的渗滤引起了广泛关注 [116,141-152]。爆炸性渗滤模型的描述如图 9 所示。
没有在临界相变点进行有限大小缩放分析，而是考虑了渗流特性的有限大小缩放分析和阶次参数中最大间隙大小的临界缩放。例如，Fan 等人[153] 发展了一种新的普遍间隙缩放理论，并提出了六个间隙临界指数来描述渗滤相变的普遍性。通过使用有限大小的缩放函数，这一理论框架可应用于各种晶格和网络模型中的连续和不连续渗滤。
间隙指数 (Gap exponents)
从一个空晶格或具有$$N$$个孤立节点的网络系统开始，随机或通过竞争性加链过程逐个添加键或链路。控制参数用$$r$$表示，它代表链接密度 $$r = \frac{T}{M}$$，$$M$$是最大的边数。阶次参数是最大群组的大小，由整个系统中最大的连接组件给出。在系统演化过程中，我们会记录最大群集$$S(T)$$在时间步长$$T$$的大小，并计算其最大的一步间隙 $$\Delta$$
$$\Delta \equiv \frac{1}{N} \max_{T} [S(T + 1) - S(T)].$$
跃迁最大的步长定义为 $$T_c$$，其相对过渡点定义为$$r_c$$。此外，渗流强度定义为 $$T_c$$处最大连通分量的大小，即$$S_c = S(T_c)$$.。
渗流等临界现象表现出无标度行为，可通过标度关系量化，详见前几节的讨论。同样，作为$$L$$ 的函数，平均值$$\bar{\Delta}$$ , $$\bar{r}_c$$ 和$$\bar{S}_c$$ 预计会呈现如下幂律关系[153]，
$$\bar{\Delta}(L) \sim L^{-\beta_1},$$
$$\bar{r}_c(L) - r_c(\infty) \sim L^{-1/\nu_1},
$$
$$\bar{S}_c(L) \sim L^{d_f 1},$$
其中，β1、ν1和$$d_{f1}$$是描述渗流普遍等级的三个临界指数，是热力学无穷大极限下的渗流阈值, $$L \rightarrow \infty$$。它们对应的波动
$$\delta \Delta^{(i)} = \Delta^{(i)}(L) - \bar{\Delta}(L)$$, $$\delta r_c^{(i)} = r_c^{(i)}(L) - \bar{r}_c(L)$$和$$\delta S_c^{(i)} = S_c^{(i)}(L) - \bar{S}_c(L)$$ ,也被研究
$$\chi_{\Delta} = \sqrt{\frac{1}{D} \sum_{i=1}^{D} [\delta \Delta^{(i)}]^2},$$
$$\chi_{r_c} = \sqrt{\frac{1}{D} \sum_{i=1}^{D} [\delta r_c^{(i)}]^2},$$
$$\chi_{S_c} = \sqrt{\frac{1}{D} \sum_{i=1}^{D} [\delta S_c^{(i)}]^2},$$
其中 D 是独立实现的次数。我们预计 $$\chi_{\Delta}$$, $$\chi r_c$$ and $$χSc\chi S_c$$ 随 L 的代数衰减，其缩放关系如下
$$\chi_{\Delta} \sim L^{-\beta_2},$$
$$\chi_{r_c} \sim L^{-1/\nu_2},$$
$$\chi_{S_c} \sim L^{df_2}$$
其中，β(2)、ν(2)和 $$df_2$$构成另一组临界指数。新的六个间隙临界指数表征了渗流的普遍性。需要注意的是，它们与标准渗流指数高度相关，并非完全独立。间隙指数与标准渗流临界指数之间的关系推导如下[153]
$$\beta_1 = \beta_2 = \beta / v$$
$$\nu_2 = \nu$$
$$df_1 = df_2 = df.$$
特别是，β(1)的值可以暗示渗流的阶次。也就是说，β(1)=0 表示渗流是一阶转变；而 0< β1< 1 的模型是连续的[120,147]。我们在图 10 中给出了二维方形晶格上键渗流的数值结果，我们得到了 $$\beta_1 = \beta_2 \approx 0.104$$,$$ \frac{1}{v_1} = \frac{1}{v_2} \approx \frac{1}{v}$$, and$$ r_c(\infty) \approx 0.5$$, 以及 $$df_1 = df_2 \approx 1.895$$。所有结果都与已知理论值一致[103]。
2.3. 临界点分析 (Tipping points analysis)
引爆点（Tipping point）的概念，即“小事情能产生大影响”，最早由Malcolm Gladwell在他的著作[154]中提出。它的意思是，在特定的时间点，一个小的变化可能会在一个复杂的系统中导致巨大的和长期的后果。引爆点通常与分岔[155]相关联。引爆点被定义为“临界质量的时刻，阈值，沸点”。许多复杂系统都会经历行为的突然转变，通常被称为引爆点或临界转变，范围从气候[23,156–161]、生态系统[158,162–167]到社会科学[168,169]、金融市场[170,171]、医学[172–174]和事件宏观经济主体模型[175]。
复杂系统可能在临界点处突然从一种状态转变为另一种状态，这可能意味着威胁和突发且不可逆转的变化的风险正在增加 [161]。因此，理解理论机制并预测临界现象具有重要的实际意义。尽管在这些临界点发生之前对其进行预测是出了名的困难。理论提出了通用预警信号（EWS）的存在，这些信号可能表明，对于广泛的系统而言，临界阈值是否正在逼近 [176–178]。EWS是目前预测临界跃迁的最强大工具之一。临界点分析技术提供了一个重要的工具，用于预测、检测和预报复杂动力系统中的临界点。该方法通常结合时间序列中的监测记忆，包括动态导出的滞后1自相关 [179]、去趋势波动分析（DFA）的幂律标度指数 [180,181]，以及基于功率谱的分析 [182]。
2.3.1. 基础概念 (Basic concepts)
临界点的定义：遵循参考文献[177]，临界点是指系统未来状态发生质变所对应的临界点。确定一个控制参数为(ρ)，对于该参数存在一个阈值$$(\rho_c)$$，当存在一个小的扰动$$(\delta \rho > 0)$$ 时，经过一段时间(T > 0)后，会导致系统的一个关键特征(F )发生质变(Fˆ)。实际变化(∆F )定义为：
$$\left| \Delta F \right| = \left| F(\rho \geq \rho_c + \delta \rho | T) - F(\rho_c | T) \right| \geq \hat{F} > 0$$
在这个定义中，临界阈值$$(\rho_c)$$被认为是引爆点，超过这个点就会发生质变。请注意，这种变化可能立即发生，甚至在原因发生很久之后才发生。
临界点的类型：复杂系统中临界现象背后的理论机制可以有效地分为三个不同的类别：由分岔引起的、由噪声引起的和由速率决定的临界点[183]。
分岔意味着，当驱动力$$\rho$$ 发生微小变化并超过临界阈值时，会导致系统状态发生巨大的非线性变化，从而满足公式 (59) 中临界点的定义。给定一个概念化的开放系统 [184]，
$$\frac{\mathrm{d}F}{\mathrm{d}t} = f(F, \rho(t)),$$
[图片]
图10.二维方形晶格系统中键渗流的能隙临界指数。(a)和(b)，$$\bar{\Delta}(L)$$和$$\chi_{\Delta}$$随$$L$$的变化关系。(c)和(d)，渗流阈值$$\bar{r}_{c}(L)$$和$$\chi_{\Delta}$$与$$L$$的双对数图。(e)和(f)，$$\bar{S}_{c}(L)$$和$$\chi_{s_c}$$与$$L$$的幂律关系。(c)中的插图展示了$$r_{c}(\infty) -\bar{r}_{c}(L)随$$$$L$$变化的双对数图。
来源：转载自参考文献[153]的图。
其中ρ(t) 通常是一个随时间变化的输入。当ρ为常数时我们将式（60）称为具有参数λ的参数化系统并将其稳定解称为准静态吸引子。如果ρ(t)通过了系统的某个分岔点（在该点处，一个准静态吸引子失去稳定性），那么显然可以直观地看出，由于改变该参数，系统可能会直接“发生倾斜”。我们在图11中给出了两个由分岔引起的“倾斜点”的例子。其中系统的状态由（61）和（62）描述。
$$\frac{\mathrm{d}F}{\mathrm{d}t} = \rho + F - F^3,$$
And
$$\frac{\mathrm{d}F}{\mathrm{d}t} = \rho F - F^3,$$
分别对应于图 11 a 和 b。一般来说，当一个系统接近分岔临界点（其当前状态变得不稳定）时，会导致向另一种吸引子的转变。
[图片]
噪声诱导的复杂系统现有稳定状态之间的跃迁（图11c），也可以被视为临界点[185]，然而，它们不符合强制变化的定义，如公式（59）所示。噪声诱导的临界点意味着噪声波动导致系统偏离准静态吸引子的邻域。例如，Pikovsky和Kurths研究了噪声驱动的可激发Fitz Hugh–Nagumo系统中的相干共振，并揭示了相干共振效应可以用激活时间和偏移时间的不同噪声依赖性来解释[186]。末次冰期期间的突发变暖事件，即丹斯伽德-奥施格事件，提供了一个噪声诱导临界点的真实世界例子[185]。此外，Sutera [187]研究了一个简单的全球零维能量平衡模型中，具有冰反照率和温室反馈的噪声诱导临界点[188]。他们的结果表明，‘温暖’和‘寒冷’气候状态之间随机转变的特征时间为100,000年，这与观测数据非常吻合。噪声诱导的临界点方法也已成功用于模拟其他气候模型和现象的变化[189]。与接近分岔相反，研究发现噪声诱导的跃迁从根本上是不可预测的，并且没有显示任何EWS [177]。
速率依赖性，其中系统无法跟踪连续变化的准静态吸引子。为了更好地理解速率依赖性倾覆现象，Ashwin等人引入了一个具有倾覆半径的线性模型，并讨论了速率依赖性倾覆出现的三种例子[183]。给定一个系统，对于 $$F \in_{\epsilon} \mathbb{R}^{n}$$，且参数ρ具有一个准静态平衡$$\tilde{F}(\rho)$$，倾覆半径为R > 0，那么对于某个初始值$$F_{0}$$ ，满足 $$\left| F_{0} - \tilde{F}(\rho) \right| < R$$，F随时间的演化由下式给出
$$\frac{\mathrm{d}F}{\mathrm{d}t} = M(F - \tilde{F}(\rho)) \quad \text{for} \quad |F - \tilde{F}(\rho)| < R,$$
其中M是一个固定的稳定线性算子$$\text{(i.e. } |e^{Mt}| \rightarrow 0 \text{ as } t \rightarrow \infty\text{)}$$。$$\rho(t)$$是一个随时间变化的参数，表示子系统的输入。倾覆半径可能与非线性问题的吸引盆边界有关。该模型仅显示速率相关的倾覆——因为M是固定的，并且系统中没有分岔，也没有噪声存在。特别地，该模型可以推广到包括随ρ(t)变化的M和R。方程(63)可以用初始条件 $$F(0) = F_{0}$$求解，得到
$$F(t) = e^{Mt} F_0 + \int_{s=0}^{t} e^{M(t-s)} M \tilde{F}(\rho(s)) \, ds.$$
[图片]
图12. 地球气候系统中的一些基本主要临界点要素。
来源：参考文献[161]中的图。

需要注意的是，在零纬全局能量平衡模型中也观察到了与速率相关的临界点现象[188]。除了上述三种类型的失稳之外，还可能存在另一种类型，即可逆失稳点。在图11d中，我们展示了一个可逆失稳点的示例，在该示例中，一个单稳态系统表现出非线性但可逆的变化[159]。
2.3.2. 地球气候系统中的临界要素
在参考文献[23]中，Lenton等人引入了“临界要素”一词，用以描述地球系统中可能超过临界点的大尺度组成部分，并评估了它们的临界点所在。他们强调，人类活动可能在推动地球系统组成部分超过其临界点方面发挥至关重要的作用，从而对我们的社会和自然系统产生深远的影响。他们还定义了具有以下条件的与政策相关的临界要素子集：（i）第一个条件在公式（59）中描述；（ii）第二个条件与“政治时间范围”TP相关；（iii）第三个条件被称为“伦理时间范围”TE;；（iv）最后一个条件是，应该在影响方面相应地定义质变。根据上述四个条件，我们在此回顾气候系统中一些与政策相关的潜在临界要素，如图12所示。对于每个临界要素，我们考虑其（1）系统特征F（参见公式（59））或变化方向，（2）控制参数ρ，（3）临界值ρc，（4）转变时间尺度T以及（5）关键影响。
北极海冰。对于夏季和冬季的北极海冰，覆盖面积都在减少，并且大片区域的冰层已显著变薄[190]。在IPCC使用海洋-大气GCMs的预测中，其中一半将在本世纪的九月份变为无冰状态[191]，极地温度为−9 ◦C [192]。面积范围的减少可以被视为系统的特征，用F表示；局部气温∆Tair和海洋热输送可以被视为控制参数；文献中仍然缺乏临界阈值的数值；过渡时间尺度约为T ∼ 10年；北极海冰的减少会放大变暖并引起生态系统变化。
格陵兰冰盖。据报道，格陵兰冰盖正以加速的速度融化[193]，如果超过某个特定阈值，可能会在数千年内使海平面额外升高7米。冰体积的减少可以被看作是系统的一个特征F；局部气温 $$\Delta T_{\text{air}}$$ 是一个控制参数；临界值 $$\rho_{c} \sim 3^{\circ}$$ ;；过渡时间尺度T可达约300年。
西南极冰盖。根据IPCC报告[193]，西南极洲阿蒙森海湾可能已经超过了一个临界点，即“接地线”（冰、海洋和基岩相遇的地方）正在不可逆转地后退。这也可能破坏西南极冰盖的其余部分[194]。利用古气候学数据发现，西南极冰盖的这种大范围崩塌在过去曾多次发生。与格陵兰冰盖类似，冰体积的减少可以被认为是F；局部气温 $$\Delta T_{\text{air}}$$ 是控制参数；临界值$$\rho_{c} \sim 5 - 8^{\circ}$$ ; 过渡时间尺度T可达300年。西南极冰盖的崩塌可能导致海平面在几个世纪到几千年的时间尺度上上升约5米[23]。
大西洋环流。大西洋经向翻转环流（AMOC）是地球主要的海洋环流系统之一，它重新分配热量并影响气候。研究提供了证据，表明自20世纪中叶以来，AMOC减弱了约3 ± 1斯维德鲁普（约15％）[(3)] [160]。AMOC也被认为是地球系统的主要临界要素之一[23,156]。大西洋环流的翻转可以被认为是F；额外的北大西洋淡水输入是控制参数；临界值 $$\rho_{c} \sim 0.1 - 0.5 \, \text{\textdegree Sv}$$；过渡时间尺度T可达100年。AMOC的减缓与热带降雨带的南移有关，它通过影响热带辐合带，以及南大洋和南极洲的变暖来实现[17]。
厄尔尼诺-南方涛动（ENSO）。ENSO是热带太平洋异常暖和冷条件之间的年际波动，是地球上最具影响力的海气耦合气候现象之一[195–197]。据报道，极端厄尔尼诺事件在21世纪的发生频率可能会增加[198]。参考文献[199]讨论了全球变暖背景下ENSO的临界点行为。ENSO的振幅被认为是F；纬向平均温跃层深度、赤道东太平洋温跃层锐度以及年循环强度是控制参数；过渡时间尺度T可达100年。较强的厄尔尼诺现象通常会导致更多的极端事件（如洪水、干旱或严重风暴），这对经济、社会、农业和生态系统产生严重影响。
印度夏季风。印度夏季风降雨（ISMR）对印度的农业产出和经济有着决定性的影响。季风季节（从六月到九月）可能带来干旱和粮食短缺，或者严重的洪水，取决于降雨量的多少。陆地到海洋的压力梯度驱动着季风环流，这与水分平流反馈有关[200]。自1953年以来，ISMR呈现下降趋势[201]。据报道，在一些合理的土地利用、温室气体和气溶胶强迫的年代际尺度情景下，印度夏季风在对应于“活跃”和“弱”季风阶段的两个亚稳态状态之间切换[23]。因此，印度夏季风也可以被视为一个临界要素。特别地，ISMR被认为是F；印度上空的行星反照率是控制参数；临界值 $$\rho_{c} = 0.5 \, \text{SV}$$；过渡时间尺度T是1年。
亚马逊雨林。热带森林在全球碳循环中起着至关重要的作用[202]，并且是全球已知物种一半以上的家园[203]。自 1990 年代以来，森林砍伐和气候变化正在破坏热带森林的稳定，每年的森林砍伐率约为 0.5%，近年来这一比例大幅增加[204]。一项经验性研究表明，观测到的热带森林破碎化现象接近于美洲、非洲和亚洲-澳大利亚这三个大陆的临界点[205]。特别是，我们关注亚马逊雨林，因为它是世界上最大的雨林，也是十分之一已知物种的家园[161]。如果森林接近临界点，亚马逊的枯竭可能会释放 90 吉吨的二氧化碳。因此，找到亚马逊雨林的临界点对于我们保持在排放预算范围内至关重要。这里，亚马逊雨林被视为F；降水和旱季长度是控制参数；临界值ρc = 1, 100 毫米/年；其过渡时间尺度T约为 50 年。
除了上述七个临界要素外，气候系统中还存在一些潜在的与政策相关的临界要素，例如，撒哈拉/萨赫勒和西非季风、北方森林、南极底层水、苔原、永久冻土、海洋甲烷水合物、海洋缺氧和北极臭氧。感兴趣的读者可以在参考文献[23]中找到它们。强有力的证据表明，在过去十年中，“临界点正在发生”的说法越来越多。多米诺骨牌效应也被提出’’ [161]。
2.3.3. 临界点的早期预警
如上所述，许多复杂的动力系统，特别是气候系统，可能存在临界点，并暗示着不希望发生的崩溃风险。尽管在达到这些临界点之前对其进行预测是一项巨大的挑战，但通用EWS的存在为预测此类关键转变提供了有用的指标[176,178]。因此，如果能够识别出临界点的早期预警，那么它将有助于更广泛的社会、科学家和政策制定者采取早期行动，以减少与系统崩溃相关的损害。因此，大量的研究致力于检测和预测这些关键转变，通常会利用EWS。在这篇综述中，我们将重点介绍用于预测、检测和预报动力系统中关键转变的临界点分析技术。
临界点附近的临界减速
‘‘临界减速’’现象已被认为是动力系统是否接近临界阈值的指标[206]。例如，这发生在折叠分岔处（图11），通常与临界点相关联。这表明系统从小扰动中恢复的速度变慢，并且这种缓慢可以从小扰动中“记忆”的增加来推断。例如，图13表明，临界减速是一个指标，表明系统已经失去了弹性，并且可能更容易被推入另一种状态（如滞后1自相关所反映的那样）[178]。

[图片]

为了阐明临界慢化现象、自相关性增加和方差增加之间的关系，这里我们展示一个简单的例子，揭示其潜在机制。我们考虑一个简单的一阶自回归模型（式65），
$$x_{n+1} - \bar{x} = e^{\lambda \Delta t} (x_n - \bar{x}) + \sigma \varepsilon_n$$
$$y_{n+1} = e^{\lambda \Delta t} y_n + \sigma \varepsilon_n,$$
其中 $$\bar{x}$$ 是模型的稳定均衡，$$\Delta t$$是周期， $$\lambda$$ 是恢复速度。这里 $$y_{n}$$是状态变量 x 偏离均衡的偏差，$$\varepsilon_{n}$$是从标准正态分布中获得的随机数，$$\sigma$$ 是标准差。如果$$\lambda$$ 和 $$\Delta t$$独立于$$y_{n}$$，则方程 (65) 可以写成式（66）：
$$y_{n+1} = \alpha y_n + \sigma \varepsilon_n.$$
$$y_{n+1} = c + \alpha y_{n} + \sigma \varepsilon_{n}$$ is
对于白噪声，滞后 1 自相关系数 α ≡ eλ∆t 为零；对于红噪声，则接近于 1。一阶自回归过程 yn+1 = c + αyn + σ εn 的期望值为式（67）所示
让我们考虑c = 0，那么期望值等于零，方差为（如式68所示）
$$\text{Var}(y_{n+1}) = \mathbb{E}(y_n^2) - \mu^2 = \frac{\sigma^2}{1 - \alpha^2}.$$
当系统接近临界点时，返回平衡的速度会降低。这意味着λ趋于零，而α趋于一。根据公式(68)，方差趋于无穷大。总而言之，临界慢化导致滞后1自相关(α)的增加以及由此产生的波动模式（方差）的增加。
减缓变化速度会导致内在变化率降低，因此系统状态变得更像其过去的状态，即自相关性增加。由此产生的“记忆”增加可以通过系统频谱等多种方式进行测量。
自相关函数。滞后1阶自相关函数（ACF(1)）指标是为即将发生的突变事件提供预警信号的一种简单方法。例如，Held和Kleinen已经表明，在温盐环流模型中，自相关性在分岔附近会增加[179]；Dakos等人发现，在过去的数据中，自相关性在八个著名的气候转变之前会增加[157]。
时间序列中两个数值之间的相关系数被称为自相关系数（ACF）。例如，在自回归模型中，时间序列的自相关系数yn（见式66）可表示为：Corr(yn, yn−s), s = 1, 2, . . . , s表示时间间隔，也被称为滞后值。特别的，滞后1的自相关系数是相隔一个时间步长的数值之间的相关性。更一般的说，滞后s的自相关系数是相隔s个时间步长的数值之间的相关性。
$$C(s) \sim s^{-\gamma},$$
ACF的缩放指数 γ是自相关函数随滞后量s增大而呈现的幂律衰减特性[207]。我们将其表示为C(s)，时间序列滞后量s下的自相关值，那么这种缩放关系，对于长距离相关性而言，可定义为$$C(s) \sim s^{-\gamma},$$值的注意的是，对于短距离相关性的记录，C(s)会呈指数衰减，并且只有自相关函数（1）能够表明数据的变异性接近临界点
去趋势波动分析。减速会导致记忆量增加，这一现象也可以通过去趋势波动分析（DFA）来测量[180]。有关详细方法，请参阅[180]。DFA常用于检测长程相关性或包括DNA系列、心率、地震以及气候记录等多种时间序列的持久性[208]。如果时间序列具有长程相关性，波动函数 $$F(n)$$将按幂律关系$$F(n) \sim n^{\alpha}$$增加。其中n是窗口大小，α是DFA缩放指数。这里， $$F(n) = \sqrt{\frac{1}{n} \sum_{t=1}^{n} (X_t - Y_t^z)^2}$$是时间序列xi的累积和或“轮廓”，Ytz是拟合多项式，z代表DFA的（多项式）阶数。DFA指数α计算为F(n)与n的log-log图的线性拟合斜率。研究发现，时间范围10 ≤ n ≤ 100内的DFA指数对动力系统的变化很敏感，这与ACF(1) [181]相似。
功率谱。最近，Prettyman等人引入了一种基于功率谱（PS）衰减率的新型尺度指标[214]。PS分析将时间序列中的变化量分解为不同的频率。当系统接近临界跃迁时，它倾向于表现出频谱变红，即在低频率下具有更高的变化[215]。PS标度指数β通过估计功率谱S(f)的斜率来计算，该功率谱来自标度关系
$$S(f) \sim f^{-\beta}.$$
从分析角度来看，这三个标度指数具有线性关系： $$\alpha = \frac{1 + \beta}{2} = 1 - \frac{\gamma}{2}$$ 。据报道，PS指标是一种有用的技术，其行为与相关的ACF(1)和DFA指标类似。此外，它还显示出为真实的地球物理系统（热带气旋）提供预警信号的迹象，而ACF(1)指标则失效 [214]。
除了从扰动中恢复较慢之外，自相关和记忆增加[参见公式(67)]，方差增加[以标准差衡量，参见公式(68)]是临界转变接近时临界减速的另一个可能指标。例如，Carpenter和Brock已经表明，在一个湖泊模型的分岔附近，方差会增加[216]。
跃迁前的闪烁现象。另一个值得注意的早期预警信号（EWS）是系统在临界跃迁附近于两个稳定状态之间来回振荡。这种振荡被称为闪烁现象，并在湖泊富营养化[217]和营养级联[218]模型中被观察到。
偏度和峰度。除了上述在灾难性分支点之前出现的早期预警信号外，在接近关键转变时还会观察到另外两个先兆，他们被视为早期预警信号，即状态分布的偏度和峰度的变化[219-221].偏度表示分布的不对称性——负偏度表示向右聚集，正偏度则表示相反的情况。偏度是分布围绕均值的标准化第三阶矩（如式72所示）。
$$\gamma = \frac{\frac{1}{n} \sum_{i=1}^{n} (y_i - \mu)^3}{\left[ \frac{1}{n} \sum_{i=1}^{n} (y_i - \mu)^2 \right]^{3/2}}.$$
类似地，峰度是衡量分布“峰态”的指标——正峰度表示峰值高于正态分布的峰值，而负峰度表示峰值低于正态分布的峰值。峰度是围绕分布均值的标准化四阶矩，估计如式73所示。
$$\kappa = \frac{\frac{1}{n} \sum_{t=1}^{n} (z_t - \mu)^4}{\left( \sqrt{\frac{1}{n} \sum_{t=1}^{n} (z_t - \mu)^2} \right)^2}.$$
2.3.4. 真实系统中跃迁的先兆
在上一节中，我们首先强调了临界转变之前可能在非平衡动力学中发生的临界点的理论背景。然而，在真实复杂系统中检测预警信号（EWS）仍然是一个巨大的挑战，例如气候、社会和生态系统。开发基于这些通用属性的可靠预测系统可以增强我们应对系统性故障的能力，并指导我们设计更具弹性的系统。
我们将简要回顾不同真实系统中转型的新兴先兆，包括气候、生态系统、医学和金融。当地球系统被迫跨越阈值进入新的气候状态时，就会发生突变的气候变化[222]。大规模、突发性和广泛性的气候变化包括石炭纪雨林崩溃[223]、新仙女木事件[224]、温室-冰室过渡[225]、丹斯伽德-奥施格事件、海因里希事件和古新世-始新世极热事件[226]。所有这些快速的气候变化都可以解释为临界转型[176]。例如，自相关性的显著增加被认为是八个著名的气候转型的先兆[157]。人们发现，闪烁现象早于新仙女木寒冷期的突然结束，这也可以被视为一种先兆[227]。
在生态学中，临界点分析也已成为研究的主要焦点。例如，在被过度捕捞的鱼类种群的失稳中发现了一种早期预警信号，过度捕捞导致鱼类种群波动增加[228]。早期预警信号的出现已在湖泊和海洋系统中得到证实[229,230]。在生理学中，癫痫发作和哮喘发作中发现了突变[174]。例如，闪烁可能发生在癫痫发作之前。在金融领域，市场动态可能包含指示突变的信息。例如，交易波动性增加可能发生在主要冲击之前[231]。有关真实系统中转变的其他先兆，读者可参考参考文献[176]。
2.4. 熵与复杂性
2.4.1. 引言
熵是统计力学中一个重要的概念。它是描述由较小组成部分构成的系统状态的一个特征量，已被用作复杂性的一般度量，具有广泛的应用。在经典热力学中，熵与不可逆过程中的能量损失相关，由鲁道夫·克劳修斯在19世纪50年代初提出。热力学熵S源自固定温度 $$T$$ 下的热流 $$\delta Q$$,
$$S = \int \frac{\delta Q}{T}.$$
需要注意的是，系统的熵只有在其处于热力学平衡状态时才有定义。统计力学中熵的定义是由路德维希·玻尔兹曼在19世纪70年代通过分析系统微观组件的统计行为提出的：
$$S = k_B \ln \Omega.$$
其中，S是宏观态的熵，$$k_B$$是玻尔兹曼常数， $$\Omega$$ 代表产生该宏观态的所有可能微观态的总数。从信息论的角度来看，克劳德·香农提出了非常通用的信息熵概念，它是信息论的基本基石，用于描述类似的信息损失[232]。信息熵是衡量接收前缺失信息多少的度量。信息熵的定义为：
$$S = -k_S \sum_{i} p_i \log p_i,$$
其中$$k_S = \frac{1}{\log(2)} $$（单位为比特），$$p_i$$是每个状态的概率。在量子统计力学中，熵的概念由约翰·冯·诺依曼（John von Neumann）提出，通常被称为“冯·诺依曼熵”。对于一个由密度矩阵 $$\rho$$ 描述的量子力学系统，冯·诺依曼熵为：
$$S = -k_B \operatorname{Tr}(\rho \log \rho),
$$
其中 $$\operatorname{Tr}
$$ 表示迹算子.此外，还存在许多其他类型的熵，如吉布斯熵、残余熵、近似熵、西奈-柯尔莫哥洛夫熵、样本熵、多尺度熵等。熵已被证明在许多现实世界系统中有用，包括DNA序列分析[233]、宇宙学和天体物理学[234-236]、经济学[237,238]以及气候系统[239-241]等领域。每种熵定义对某些系统效果更好，但对其他系统可能失效。我们将在下文中讨论熵具有三种相互关联的解释，作为衡量（i）不可逆变化；（ii）无序性；（iii）不确定性的量度。
2.4.2. 不可逆的熵
不可逆性的概念是理解熵的核心。一个不可逆的过程通常被称为不可逆过程。这个概念源于热力学。有研究表明，所有复杂的动态自然过程都是不可逆的[242]。对于一个经历不可逆过程的孤立系统，熵永不减少。这就是著名的热力学第二定律。
[图片]
为了更好地理解熵在不可逆过程中的行为，我们考虑卡诺热机和相应的卡诺循环。如图14a所示，给定一个带有压力P（外部）的活塞，以及两个热库，一个处于高温$$T_H$$，另一个处于低温$$T_C$$ ，活塞内部装有某种物质（单原子理想气体）。在一个卡诺循环中，热量 $$Q_H$$从高温热库流出，热量 $$Q_c$$ 流入低温热库，从而产生净功 $$W = Q_H - Q_c$$。卡诺设想了一个完全可逆的热机，卡诺循环通过以下四个步骤使活塞内外移动（见图14b，卡诺循环P–V图）。（1）（i→ii）：气体连接到高温热库，活塞在变化的压力和固定温度 TH 下向外移动。在这此步骤中，热量$$Q_H$$流入活塞。（2）（ii→iii）：活塞在变化的压力P下膨胀。（3）（iii→iv）：膨胀后的气体然后连接到低温热库，并在固定温度 $$T_C$$下被压缩。在此步骤中，热量$$Q_c$$流出。（4）（iv→i）：活塞被压缩并回到初始状态。在此步骤中，没有热传递。
活塞所做的净功W是图14b中P－V环线（积分）内的面积：
$$W = \int_{\text{cycle}} P \, dV = \text{Area inside PV Loop.}$$
根据理想气体定律：
$$PV = N k_B T$$
其中N是粒子数，活塞内理想气体的总能量由能量均分定理给出：
$$E = \frac{3}{2} N k_B T = \frac{3}{2} PV,$$
其中E代表动能。在第一步中，我们得到：
$$Q_H = E_{ii} - E_i + W_{i,ii} = \int_{i}^{ii} P \, dV = \int_{i}^{ii} \frac{N k_B T_H}{V} \, dV = N k_B T_H \log \left( \frac{V_{ii}}{V_i} \right).$$
类似地，对于第三步，我们有
$$Q_C = N k_B T_C \log \left( \frac{V_{iv}}{V_{iii}} \right).$$
对于其他两个步骤，没有热量流动，基于$$dE = -P dV = -\frac{N k_B T}{V} dV = \frac{3}{2} N k_B dT.$$我们有：
$$\int_{ii}^{iii} \frac{dV}{V} = \log \left( \frac{V_{iii}}{V_{ii}} \right) = \int_{ii}^{iii} -\frac{3}{2} \frac{dT}{T} = -\frac{3}{2} \log \left( \frac{T_C}{T_H} \right).$$
上式给出$$V_{iii} / V_{ii} = \left( \frac{T_H}{T_C} \right)^{3/2}$$和$$V_{iv} / V_i = \left( \frac{T_H}{T_C} \right)^{3/2}.$$因此$$V_{iii} / V_{ii} = V_{iv} / V_i$$，从而
$$\frac{V_{iii}}{V_{iv}} = \frac{V_{ii}}{V_i}.$$
将式（84）代入热流方程（81）和（81），我们得到卡诺的基本结果：
$$\frac{Q_H}{T_H} = \frac{Q_C}{T_C}.$$
我们定义在固定温度T下的热流 $$\Delta E = Q$$。则熵变$$\Delta S$$为:
$$\Delta S = \frac{Q}{T}.$$
注意，上式等同于式（74）。这意味着对于可逆卡诺热机，从高温热库流出的熵 $$Q_{\mathrm{H}} / T_{\mathrm{H}}$$等于从活塞流出的熵 $$Q_{\mathrm{c}} / T_{\mathrm{c}}$$，即没有熵的产生或消失。然而，对于任何不可逆的实际热机，熵都会增加。
2.4.3. 熵的无序性
传统上，熵的另一种解释是描述系统的无序性或随机性的度量。在热力学中，混合熵是当两种或更多不同类型的粒子混合而没有化学反应时熵的增加。考虑N个理想气体分子被分隔在一个具有两个相等体积V的容器中。总的混合熵 $$S_{\mathrm{un}}$$ 为[29]:
$$S_{\mathrm{un}} = 2k_B \log \left[ V^{N/2} / (N/2)! \right].$$
这里我们假设两种分离的理想气体具有相同的质量和相同的总能量。移除气体之间的隔板，让它们混合。然后混合熵$$S_{\mathrm{m}}$$ 变为：
$$S_{\mathrm{m}} = 2k_B \log \left[ (2V)^{N/2} / (N/2)! \right].$$
根据式（87）和（88），我们得到增加的熵,
$$\Delta S = S_{\mathrm{m}} - S_{\mathrm{un}} = Nk_B \left[ \log(2V) - \log V \right] = Nk_B \log 2.$$
上式意味着在混合过程中，每个分子的熵将增加 $$k_B$$log 2 。这是因为温度和压力相等，移除容器的隔板不涉及任何热传递，因此气体的混合（例如通过扩散）总是导致熵的增加。混合是自发的！初始分离的气体扩散导致熵增加。这个过程增加了分子的随机分布。因此，提出熵与复杂性（无序性）之间存在关系是合理的。
2.4.4. 熵的不确定性
熵的第三种解释是将其视为对复杂系统不确定性或未知度的度量。这种解释更为普遍，并且与信息和记忆密切相关。在这种解释中，熵并非一个固有属性，而是代表我们对系统的认知。
接下来，我们将聚焦于非平衡熵和信息熵来阐明释熵如何被解释为不确定性。热力学第二定律指出，孤立系统的熵永不减少，并且当且仅当所有过程都是可逆时，熵才保持不变。我们感兴趣的是如何定义非平衡系统的熵。通常，对于非平衡系统和平衡系统，我们都使用概率分布ρ来定义一个状态系综。给定离散状态集的概率分布，熵定义为
$$S_{\mathrm{discrete}} = -k_B \langle \log p_i \rangle = -k_B \sum_{i} p_i \log p_i,$$
其中 $$p_i$$是状态i的概率。在连续分布的情况下，熵变为
$$S_{\mathrm{continuum}} = -k_B \langle \log \rho \rangle = -k_B \int \rho \log \rho.$$
我们考虑一个微正则系综，其中 $$\rho_{\mathrm{equil}} = 1 / (\Omega(E) \delta E)$$，非平衡熵偏离了平衡熵（公式（75）），其熵为
$$S_{\mathrm{micro}} = -k_B \log \rho_{\mathrm{equil}} = k_B \log (\Omega(E) \delta E)$$
$$= k_B \log (\Omega(E)) + k_B \log (\delta E).$$
对于量子系统，非平衡熵可以通过密度矩阵 $$\rho$$来描述，如公式（77）所示。对于非热力学系统，温度变量不存在。因此，我们不需要使用玻尔兹曼常数 $$k_B$$，而是使用常数 $$k_S = 1 / \log(2)$$。那么公式（76）变为:
$$S_S = - \sum_{i} p_i \log_2 p_i,$$
这里熵的单位是比特。这被称为信息熵，由香农[232]引入。信息熵表示一个可能的消息或图像的系综，在通信技术（消息传递）和计算机科学（数据压缩）中具有重要意义。注意，非平衡香农熵满足以下性质：（1）在概率相等时达到最大值；（2）不受零概率额外状态的影响；（3）对于条件概率会发生变化。更多细节，读者可参阅参考文献[29]。
2.4.5. 近似熵、样本熵以及系统样本熵
接下来，我们将重点介绍几种熵，包括近似熵（ApEn）、样本熵（SampEn）和系统样本熵（SysSampEn），这些熵是为量化非线序列的复杂性而开发的。
$$近似熵 (ApEn)$$
近似熵（ApEn）由Pincus于1991年提出[243]，其灵感源自精确的规律性统计、柯尔莫哥洛夫 - 西奈（KS）熵[244]和$$K_2$$ 熵[245]。它被用作量化时间序列数据规律性的指标，尤其适用于相对较短且有噪声的数据集。近似熵在多个领域有着广泛的应用，从医学数据（如心率[243]）到金融系统[246]、心理学[247]和人因工程[248]等。
近似熵$$ApEn$$的定义：给定一个时间序列数据$$u(1), u(2), \ldots, u(N)$$。有N个时间上等距的原始数据。它构成了一个由x(1)到x(N - m + 1)的向量序列，其中x(i) = [u(i)，…，u(i + m - 1)]。这里，m是一个表示数据长度的整数。将向量x(i)和x(j)之间的嵌入距离d[x(i), x(j)] [249]定义为它们各自标量分量的最大差值。然后使用x(1)，x(2)，…，x(N - m + 1)，对于每个i ≤ N - m + 1，构造C_i^m(r) = （满足d[x(i), x(j)] ≤ r的j ≤ N - m + 1的数量）/ (N - m + 1)。这里，
$$d[x(i), x(j)] = \max_{k=1,2,\ldots,m} \left( |u(i + k - 1) - u(j + k - 1)| \right),$$
其中 r 是一个指定滤波水平的正实数。基于 $$C_i^m(r)$$，$$\text{ApEn}$$ 定义为
$$\Phi^m(r) = (N - m + 1)^{-1} \sum_{i=1}^{N-m+1} \log C_i^m(r).$$
对于固定的m和r，式(95)变为
$$\text{ApEn}(m, r) = \lim_{N \to \infty} \left[ \Phi^m(r) - \Phi^{m+1}(r) \right].$$
特别地，给定N个数据点，统计公式得以实现
$$\text{ApEn}(m, r, N) = \Phi^m(r) - \Phi^{m+1}(r).$$
需要注意的是，一种类似的熵，称为$$\text{Eckmann-Ruelle (E-R)}$$熵[244]，已被定义为，
$$\text{E-R entropy} = \lim_{r \to 0} \lim_{m \to \infty} \lim_{N \to \infty} \left[ \Phi^m(r) - \Phi^{m+1}(r) \right].$$
尽管$$\text{ApEn}(m, r)$$的算法与E-R熵非常相似，但它并非旨在作为E-R熵的近似值。与K-S、E-R和$$K_2$$熵相比， $$\text{ApEn}(m, r)$$具有以下优点[250]：(i)受噪声影响较小；(ii)对离群值具有鲁棒性；(iii)计算需求较低，且置信度良好；(iv)对于随机、含噪声的确定性和复合过程， $$\text{ApEn}(m, r)$$是有限的；(v) $$\text{ApEn}(m, r)$$的增加直观上对应着过程复杂度的增加。 $$\text{ApEn}(m, r)$$已被应用于对精神疾病（如精神分裂症[251]、癫痫[252]和成瘾[253]）的脑电图（EEG）进行分类。
$$样本熵 $$
受近似熵（ApEn）概念的启发，Richman和Moorman开发了样本熵（SampEn），用于评估生理时间序列信号的复杂性，诊断疾病状态[254]。样本熵（SampEn）是对近似熵（ApEn）的改进，但具有三个优点：（i）在广泛的操作条件下，样本熵（SampEn）统计量比近似熵（ApEn）统计量更符合具有已知概率特征的随机数理论；（ii）保持相对一致性；（iii）对于极短的记录长度存在残余偏差。
\text{SampEn}的定义：类似于\text{ApEn}的定义：给定一个包含N个点的时间序列，\{ u(j) : 1 \leq j \leq N \}构成了N - m + 1个\text{向量}\mathbf{x}_m(i)，其中\{ i | 1 \leq i \leq N - m + 1 \}。这里\mathbf{x}_m(i) = \{ u(i + k) : 0 \leq k \leq m - 1 \}是从u(i)到u(i + m - 1)的m个数据点组成的向量。两个向量之间的距离为d[X(i), X(j)] = \max\{ |u(i + k) - u(j + k)| : 0 \leq k \leq m - 1 \}，即它们对应标量分量的最大差值。设Bi为\mathbf{x}_m(j)中与\mathbf{x}_m(i)距离在r以内的向量数量，设Ai为\mathbf{x}_{m+1}(j)中与\mathbf{x}_{m+1}(i)距离在r以内的向量数量。这里r表示接受匹配的容差。将容差设为r \times SD（数据集的均方差）比较方便。则样本熵定义为：
$$\text{SampEn} = -\log \frac{A}{B}.$$
显然，A 始终小于或等于 B。因此，\text{SampEn} 始终为零或正数。\text{SampEn} 值越小，表明数据集中的自相似性越高或噪声越少 [254]。请注意，每次计算时参数 N、m 和 r 必须固定。
$$系统样本熵$$
上述熵的一个局限性在于，它只能应用于单变量或双变量时间序列（交叉近似熵）[254]。对于具有多变量时间序列和时空结构的复杂系统，孟等人提出了所谓的 $$\text{SysSampEn}$$ ，并将其应用于气候系统研究。基于 $$\text{SysSampEn}$$ ，他们能够测量由温度异常时间序列组成的系统的复杂性（无序性），并以1年的预测期高精度预测厄尔尼诺事件的强度[241]。
$$\text{SysSampEn}$$的定义：给定N个相互依赖的时间序列
$$\chi_{\alpha}(t) \ (\alpha = 1, 2, \ldots, N; \ t = 1, 2, \ldots, l)$$
长度为l的组成系统的：

[图片]
图15. 系统样本熵与厄尔尼诺强度的相关性。
来源：转载自参考文献[241]的图
1.我们选择长度为m < l的子记录k，从每个第q个数据点开始，即从t = k × q + 1 = 0 × q + 1、1 × q + 1、2 × q + 1、…开始，只要k × q + m ≤ l。因此，一个特定的子序列表示为X_{\alpha}^{k}(m, q) = \{ x_{\alpha}(k × q + 1), x_{\alpha}(k × q + 2), …, x_{\alpha}(k × q + m) \}。然后，我们从每个时间序列中选择n个子序列，并从系统中构造一组N × n个模板向量，即\Theta(m, q, n) = \{ X_{\alpha}^{k}(m, q) : 0 ≤ k ≤ n - 1, 1 ≤ \alpha ≤ N \}。我们假设，如果两个向量的欧几里得距离d(X_{\alpha}^{i}(m, q), X_{\beta}^{j}(m, q)) < \gamma × \max\{\sigma_{\alpha}, \sigma_{\beta}\}（如果\alpha = \beta，则i ≠ j），则它们是接近（相似）的，其中\sigma_{\alpha}和\sigma_{\beta}分别是时间序列x_{\alpha}(t)和x_{\beta}(t)的标准差。\gamma定义了相似性准则，是一个非零常数。
2.为了研究在m个数据点处相近的两个时间序列在接下来的p个数据点处仍然相近的概率，我们类似地通过选择长度为m + p的子记录来构造另一个集合$\Theta(m + p, q, n)$。为了使长度为m的模板向量数量等于长度为m + p的模板向量数量，我们选择$n \leq \frac{l - m - p}{q} + 1$。为了减少参数自由度并节省计算时间，我们取$p = q$，则$n \leq \frac{l - m}{p}$。我们假设，如果$d(X_{\alpha}^{i}(m + p, q), X_{\beta}^{j}(m + p, q)) < \gamma \times \max\{\sigma_{\alpha}, \sigma_{\beta}\}$（如果$\alpha = \beta$，则$i \neq j$），那么来自集合$\Theta(m + p, q, n)$的两个模板向量是相近的。
3.系统的\text{SysSampEn}定义为
$$\text{SysSampEn}\left(N, m, p, l_{\text{eff}}, \gamma\right) = -\log\left(\frac{A}{B}\right),$$(100)
其中A是来自\Theta(m + p, q, n)的近向量对的数量，B是来自集合\text{set }\Theta(m, q, n)的近向量对的数量，l_{\text{eff}}(n) = n * p + m是用于计算\text{SysSampEn}的天数。
请注意，当N = 1、p = 1且$l_{\text{eff}} = l$时，\text{SysSampEn.}等同于经典的\text{SampEn} [254]。由于只有某些特定的参数值组合才能相当准确地估计系统的复杂性，因此必须确定合适的参数值。为了实现这一点，Meng等人引入了两个测试 [241]：\text{空间异步性测试}和\text{时间无序性测试}。针对由Niño 3.4区域近地表空气或海表温度异常时间序列组成的气候系统计算了\text{SysSampEn.}。研究发现，厄尔尼诺强度与前一个自然年的\text{SysSampEn.}值之间存在很强的正相关性（图15A、B）。图15C展示了准确度水平的计算，这有助于选择有效的参数组合。
此外，为揭示\text{SysSampEn.}的数学意义，图16展示了逻辑映射，作为应用\text{SysSampEn.}估计系统复杂度并将其与李雅普诺夫指数进行比较的示例。研究发现，\text{SysSampEn.}的较高（较低）值与较高（较低）的李雅普诺夫指数密切相关，这表明\text{SysSampEn.}能够很好地捕捉系统的复杂度。
[图片]
图16. SysSampEn的一个逻辑映射示例，该示例能准确估计系统复杂度，即SysSampEn值越高，表明系统复杂度越高。对于每个系统，从逻辑方程xn+1 = µxn(1 - xn)生成10个时间序列，其中µ取值相同，µ ∈ [2.5, 4]，但初始条件x0不同，x0 ∈ [0.0001, 0.0002]。
来源：转载自参考文献[241]的图

3.应用
3.1. 气候系统
地球气候系统是一个高度复杂和相互作用的系统，正如世界气象组织（WMO）的全球大气研究计划（GARP）在1975年所定义的，它由五个主要组成部分构成：大气、水圈、冰冻圈、陆地表面和生物圈。1992年，联合国气候变化框架公约（FCCC）将气候系统定义为“大气、水圈、生物圈和地圈及其相互作用的总和”。图17显示了气候系统最重要组成部分及其潜在变化的示意图。大气是环绕固体行星的气体包层，为地球表面的大多数动物生命提供氧气。它是最不稳定和快速变化的组成部分。目前，大气主要由氮气（78.1%）和氧气（20.9%）组成。还有一些微量气体引起了人们对地球未来的极大关注，包括二氧化碳（CO2）、甲烷（CH4）和臭氧（O3）。它们被称为温室气体（GHGs），与水蒸气一起，为地球提供温室效应。它们的作用是保持地球温暖，但又不会太热。水圈是行星上的水，包括海洋、海、河流、湖泊和地下水。冰冻圈是地球表面水以固体形式存在的部分，包括陆地冰（包括冰架和冰川）、雪和海冰。它通过其高反照率对气候系统产生重大影响。冰盖体积的变化被认为是海平面上升的主要因素之一。陆地表面，即“固体”地球，形成了大陆、海盆、山脉等的分布。它影响着短波辐射向长波辐射的转化、地球表面的反射率、尘埃的储集层、陆地表面的动量和能量传递。生物圈是地球上所有生物的总和，包括陆地地块的有机覆盖物（植被、土壤）和海洋生物。它在不同储层之间碳的交换中起着至关重要的作用，例如大气中CO2的浓度，以及其他气体的平衡[255]。各组成部分之间存在着大量的相互作用，通过交换质量、热量和动量。例如，海洋-大气相互作用是一个强耦合系统，通过蒸发等方式交换水蒸气和热量。每个气候系统组成部分都在相当广泛的特征时间和空间尺度上运行。请注意，气候系统本身通常被认为是更广泛的地球系统的一部分[2]。
气候科学分析中的一个基本因素是气候数据，它提供了关于地球生态系统变化的信息，并为决策者提供了关于气候危机及其影响的可靠知识基础。一般来说，有两种数据收集方法来收集定量和定性的气候数据（也在第1.1节中简要讨论）：观测（仪器观测、替代指标和再分析）和气候模型模拟。气候系统的观测数据基于直接测量和来自卫星、雷达和其他平台的遥感。第一个气象站建立在欧洲和北美洲。仪器时代的全球尺度观测始于19世纪中期，用于测量温度和其他气候变量。自1950年以来，观测网络的增加和质量，以及支持数据收集和存储的技术迅速发展。古气候重建将一些替代指标记录追溯到数百年至数百万年前，包括珊瑚记录[10,256]，过去几千年的树轮记录[13]，以及石笋δ18O时间序列[12]，中地中海沉积物[11]和冰芯记录[257]。
[图片]
图 17. 全球尺度上气候系统最重要组成部分和相关过程的示意图. 来源：该图来自 IPCC 第四次评估报告 (AR4) [255]。© 2007 IPCC。经许可转载。
气候研究需要在长时间间隔内具有一致空间分辨率和准确性的数据。为了满足这一目标，一些数值天气预报中心已经开始生成所谓的再分析资料，这些资料是通过精细的数据同化技术获得的，该技术有效地结合了观测数据和数值数据。例如，欧洲中期天气预报中心(ECMWF) [258] 提供了以下再分析数据集：ERA5、ERA-Interim、CERASAT、CERA-20C、ERA-20CM、ERA-40、ERA-20C等等。(4) 美国国家环境预报中心(NCEP)和国家大气研究中心(NCAR)合作产生了NCEP-NCAR再分析I/II、20世纪再分析和北美区域再分析(NARR)5 [259]。JRA-25和JRA-55再分析6由日本气象厅(JMA)制作 [260,261]。请注意，这些再分析数据中的大多数气候变量或场与观测数据非常吻合，例如北半球大陆上的地势高度场。然而，在南半球或那些观测较差的区域，一些场仍然存在显著差异 [262–266]。更多细节总结于参考文献[267]中。
气候模型被认为是研究气候系统对各种强迫响应、在季节到年代的时间尺度上进行气候预测以及对未来一个世纪及更长时间的气候进行预测的主要工具。气候模型可以定义为基于物理、化学和生物学原理的气候系统的数学表示。气候研究中使用的模型范围从简单的能量平衡模型到复杂的地球系统模型（ESM），即使在高性能计算机上使用，这些模型也可能速度慢且成本高昂，并且结果可能只是近似值[17]。在此，我们简要概述气候模型的基本类型：（i）能量平衡模型提出了气候系统动力学的高度简化版本。它们是零维或一维模型，将地表温度描述为地球能量平衡的函数，其中维数（从零到三）是指模型域中使用的独立空间变量的数量。例如，全球平均地表温度$$\bar{T}_s$$ 可以表示为：
$$c \frac{d\bar{T}_s}{dt} = R_i - R_o$$
$$R_i = \mu Q_0 \left(1 - \alpha(\bar{T}_s)\right)$$
$$R_o = \sigma m(\bar{T}_s) (\bar{T}_s)^4.$$
此处，$$R_i$$ 和 $$R_o$$分别是吸收的短波辐射和射出的长波辐射。C是地球系统的热容量，单位为$$J\mathrm{m}^{-2}\ \mathrm{K}^{-1}$$ ，α是行星反照率; m是大气透过率，一个小于 1 的数字，代表地球大气层的温室效应;$$\sigma≈ 5.67 × 10−8 W \mathrm{m}^{-2}\ \mathrm{K}^{-4}$$是斯特凡-玻尔兹曼常数， µ是一个太阳辐射参数，对于当前条件等于 1。（ii）大气-海洋环流模式（AOGCMs）是 IPCC 第四次评估报告（AR）中评估的最全面的标准气候模式。它们被用于理解气候系统物理组成部分（例如，大气、海洋、陆地和海冰）的动力学，并用于基于未来温室气体和气溶胶强迫进行预测。（iii）地球系统模式（ESMs）是当前最先进的模式，它们通过包含各种生物地球化学循环的表示（例如碳循环、硫循环或臭氧）来扩展 AOGCM。这些模型提供了最全面的工具，可用于模拟气候系统对外部强迫的过去和未来响应，其中生物地球化学反馈起着重要作用。（iv）区域气候模式 RCM 是有限区域模型，其气候过程的表示与 AOGCM 的大气和陆地表面组成部分中的气候过程相当，尽管通常在没有交互式海洋和海冰的情况下运行。RCM 通常用于动态“降尺度”某些特定地理区域的全球模型模拟，以提供更详细的信息。此外，基于 GCM，开发了中等复杂性模型，以研究长时间尺度或以降低的计算成本研究地球系统 [20]。一个特殊的应用是在次季节尺度上实现对极端事件的可靠预测
总而言之，气候模型提供了气候系统变率和长期变化的全面视图。然而，评估和预测极端气候事件，如厄尔尼诺事件和极端降雨，仍然面临挑战。这些困难主要是由于内在的罕见和破坏性的自然条件造成的。它们受到天气模式、变率模式、热力学过程和各种反馈的强烈影响。在下文中，我们将深入而详细地描述第2节中介绍的统计物理方法如何应用于研究和（或）预测各种气候现象，如厄尔尼诺-南方涛动（ENSO）、印度夏季风（ISM）、极端降雨、大气环流和大西洋经向翻转环流（AMOC）。
3.1.1. 厄尔尼诺-南方涛动
El Niño-Southern振荡(ENSO) 是年际尺度上最重要的气候现象之一。如2.3节所述，ENSO可被视为地球系统的一个引爆因素。El Niño是ENSO的温暖阶段，与赤道太平洋中部和中东部的温暖海水带有关，有时被称为El Niño盆地[44]。ENSO的冷期被称为La Niña，东太平洋的海温低于平均水平。ENSO通过影响包括美洲、印度和周边热带大陆在内的全球温度和降水，对地球生态系统和人类社会产生了重大影响[268-270]。这些远程影响被称为远距连接[271]。
El Niño的定义:在本文中，我们使用海洋Niño指数(ONI)来定义和区分El Niño和La Niña事件。ONI是监测ONI的主要指标之一。它是根据赤道太平洋中东部一个区域的3个月运行平均SST距平(基于每5年更新一次的中心30年基期) 计算得出的，该区域称为Niño 3.4区域(5(◦)S至5(◦)N;170(◦)W至120(◦)W)，参见图18所示的Niño区域。如果ONI > +0.5(◦)C连续至少5个月，则该事件定义为El Niño;而当ONI连续至少5个月< - 0.5(◦)C时，相应的事件被视为La Niña。ONI用于noaa对ENSO阶段的操作定义。(7)还有一些其他指数来测量El Niño事件，如Niño 1+ 2、3、3.4、4和Trans-Niño指数。(8)除了SST外，ENSO还影响其他气候变量，如大气压梯度、上层洋流和温跃层深度[272]。
ENSO转变机制简述:下面，我们将描述ENSO的物理机制。比耶克内斯首先假设海洋-大气相互作用对ENSO至关重要，现在被称为比耶克内斯反馈[273]。这种正反馈机制被认为是ENSO发展所必需的重要机制。考虑热带太平洋中部/东部的初始SST异常。这种异常减少了东西向SST梯度减弱Walker环流[274]，导致西风异常。西风异常反过来又推动了海洋环流的变化(东风使赤道温跃层变浅并在太平洋东部引起上升流，使东部保持凉爽)，从而进一步加强了SST异常。由于正反馈，热带太平洋达到温暖状态，即El Niño。Tziperman和Yu指出，西风爆发虽然部分是随机的，但似乎是大尺度确定性ENSO动力学的固有组成部分[275]。
[图片]

除了正比耶克内斯反馈外，ENSO的振荡性质还需要一个负反馈来将耦合的海洋-大气系统从温暖(El Niño)阶段转变为寒冷(La Niña)阶段。自20世纪80年代以来，人们提出了不同的负反馈，包括延迟振荡器、西太平洋振荡器、充放电振荡器和射向反射振荡器。延迟振子是ENSO振荡性质的一种机制，由McCreary基于海洋西部边界的罗斯比波反射提出[276]。Suarez和Schopf引入了延迟振子来解释ENSO的振荡特征，以强调大洋西部边界上海浪反射的延迟效应[277]。Cane和Zebiak开发了第一个海洋-大气耦合模式，并用它来预测ENSO[278,279]。概念延迟振子模型表示如下:
$$\frac{dT}{dt} = AT - BT(t-\eta) - \varepsilon T^3,$$
式中，T为赤道东太平洋SST异常，A、B、η和ε为常数。式(102)右侧的第一项表示海洋和大气之间的比耶克内斯正反馈。第二项表示海洋西边界波反射的延迟负反馈。最后一项为三次阻尼项。已经发现，延迟振子忽略了西太平洋海洋-大气相互作用的作用，并假设海洋东部边界的波反射不重要[280]。
由于延迟振子没有考虑西太平洋异常模式，Weisberg和Wang[281]开发了ENSO的西太平洋振子模型。该模式强调远西太平洋赤道风异常在ENSO演变中起重要作用。西太平洋振子模式表示为:
$$\frac{dT}{dt} = a \tau_1 + b_2 \tau_2(t - \delta) - \varepsilon T^3$$,
$$\frac{dh}{dt} = -c \tau_1(t - \lambda) - R_h h$$,
$$\frac{d\tau_1}{dt} = dT - R_r \tau_1$$,
$$\frac{d\tau_1}{dt} = dT - R_{\tau_1}\tau_1$$,
$$\frac{d\tau_2}{dt} = eh - R_{\tau_2}\tau_2$$
式中，T为赤道东太平洋SST异常，h为赤道外西太平洋温斜深度异常，τ1和τ2分别为中太平洋和西太平洋赤道纬向风应力异常。所有模式参数均为常数。
研究发现，西太平洋海平面的上升和下降与ENSO有关[282]。基于这些思想，Jin[283,284]发展了ENSO的充放电振荡模型，该模型表示为:
$$\frac{dT}{dt} = CT + Dh - \varepsilon T^3$$
$$\frac{dh}{dt} = -ET - R_h h$$
式中，T为赤道东太平洋SST距平，h为赤道西太平洋温深距平。模式参数C、D、ε、E和Rh为常数。特别地，公式(108)和(109)表示热带太平洋热含量的排放和补给。Picaut等人[285]提出了ENSO射向反射振荡器的概念模型。他们发现，正反馈来自于东向西太平洋暖池(WPWP) 平流的海洋纬向流。有三种负反馈倾向于将WPWP推回西太平洋，包括:(1)洋西边界与波反射相关的纬向流异常，(2) 洋东边界与波反射相关的纬向流异常和(3)WPWP东边缘的平均纬向流辐合。与其他三种振子模式不同，平流-反射振子模式没有一组简单的启发式方程。相反，他们使用了由风异常强迫的线性风强迫海洋数值模式，风异常与第一个斜压开尔文波和第一个经向罗斯比波的纬向流有关[195]。此外，Wang[286]基于Zebiak和Cane耦合模型的动力学和热力学，以及之前所有的ENSO振子模型，建立了统一的ENSO振子海洋-大气模型，假设ENSO可能是一个多机制现象，它们的相对重要性可能取决于时间。统一ENSO振子模型表示为:
$$\frac{dT}{dt} = a \tau_1 - b_1 \tau_1(t-\eta) + b_2 \tau_2(t-\delta) - b_3 \tau_1(t-\mu) - \varepsilon T^3$$,
$$\frac{dh}{dt} = -c \tau_1(t-\lambda) - R_h h$$,
$$\frac{d\tau_1}{dt} = dT - R_{\tau_1}\tau_1$$,
$$\frac{d\tau_2}{dt} = eh - R_{\tau_2}\tau_2$$
式中，T、h、τ1和τ2分别代表赤道东太平洋海温异常、赤道西太平洋暖斜深度异常、赤道中太平洋纬向风应力异常和赤道西太平洋纬向风应力异常。对于给定的一组参数，公式 (110) -(113)可以在年际时间尺度上振荡。
El Niño预测
自20世纪90年代以来，动力学和统计模型都被用于模拟和预测El Niño事件，为社会提供了为暴雨、洪水和干旱等相关灾害做好准备的机会[287，288]。虽然目前CPC/IRI中大约有17个动态模型和8个统计模型常规提供ENSO预测，但高预测技能通常仅限于未来6个月左右，见图19中的描述。原因是存在所谓的“春季可预测性屏障”(SPB)，由于赤道海洋-大气系统的耦合反馈，误差被大大放大[289,290]。在春季之后，模式成功预测的能力变得越来越好。
一般来说，预测技能差可以分为两类:预测系统的不完善(包括，子网格尺度运动的模型参数化错误，数据点的相对稀缺性，数据测量的错误)，以及可预测性的基本限制[272]。基本限制通常来自于系统的复杂性和混沌性。
为了克服SPB在El Niño预测中的局限性，开发了几种基于神经网络的方法。例如，Ludescher等人通过分析CN发现，在变暖事件发生前一个日历年，存在一种大规模的合作模式，将El Niño区域与海洋的其他部分联系起来[291]。这种模式可能是由于El Niño作为CN中的一个自治组件的出现[61]。CN中使用的所有节点如图20a所示，其中El Niño盆地[61]内的14个网格点为红色，该区域外的193个网格点为蓝色。数据为NCEP/NCAR再分析i的日地表气温(SAT)，如第2节所述，第一步是通过减去每个日历日的气候平均值来去除季节趋势。然后是El Niño盆地之间的联系和外部(见图20a)均被考虑。各环节的强度W(i,j)(t)根据公式(15)计算。CN中动态链路的平均强度S(t)是通过对所有单个链路强度的简单平均得到的。图20b显示了学习阶段(上)和预测阶段(下)S(t)的时间演化。他们发现，在El Niño事件之前，S(t)倾向于增加。当S(t)超过阈值Θ= 2.82时，他们就会发出警报(见图20b)。通过接受者工作特征(ROC)类型分析(稍后解释)的预测精度比基于气候模型的12个月预测要好得多。基于这些关于CN时间演化的发现，Ludescher等人成功预测了2014-2016年El Niño事件的发生[292]。
[图片]
Fig. 19. Spring Predictability Barrier. The El Niño forecasting skill of models based on February–October observations to predict the November– January average value in the El Niño-3.4 region (see Fig. 18). Results are an average correlation coefficient from 20 models between 2002–2011.
Source: Figure is from NOAA.
图19。春季可预见性障碍。基于2 - 10月观测资料的模式对El Niño-3.4区域11 - 1月平均值的预测能力(见图18)。结果为2002-2011年间20个模型的平均相关系数。
来源:图来自NOAA
[图片]
图20. 气候网络和El Niño预测算法。a. CN节点。El Niño盆地内的每个节点(红色实体符号)与盆地外的每个节点(蓝色开放符号)相连。红色矩形表示Niño 3.4区域。b.红色曲线为CN的平均链路权值S(t)，水平线表示决策阈值Θ= 2.82，蓝色区域表示El Niño事件。当S(t)从下面越过阈值时，给出一个警报，表明El Niño事件将在下一个日历年开始。
来源:转载自参考文献[291]的图。
在这项工作的激励下，孟等人开发了一种结合气候、网络和渗透理论的多学科方法来预测El Niño的发生[65]。他们的方法可以提前1年预测El Niño事件，预测准确率高达70%，误报率仅为4%。与[291]不同的是，他们考虑了最初有726个孤立节点的全局CN。根据链路强度逐个添加链路，即首先添加权值最高的链路，然后继续选择权值递减排序的链路。在CN的演变过程中，他们发现网络的结构在El Niño事件发生前大约一年发生剧烈变化，因此建议使用最大簇(渗透簇)∆的最大尺寸变化[见公式(48)]作为基于渗透的前兆，来预测El Niño事件。此外，基于有限尺寸尺度分析，他们发现渗透过程是不连续的。
[图片]
图21. El Niño预测算法。a.红色曲线为Eq.(115)中定义的预测指标，蓝色线为ONI。水平黑色虚线表示FI = 0, ONI曲线下的蓝色阴影表示El Niño周期。绿色箭头表示真正预测，而黑色虚线箭头表示假警报。紫色箭头是2018-2019年El Niño事件的警报。b. 2012年5月以来FI(t)和ONI的详细视图。
来源:转载自参考文献[66]的图。
为了预测El Niño事件的发生和震级，孟等人开发了另一种复杂的基于网络的方法[66]。他们提出了一个新的基于CN链的预测指数，表示Niño 3.4区域不同站点之间低频时间温度异常变化的相似性。他们发现，该指数的显著上升趋势预测了El Niño事件大约提前1年发生，而自上次El Niño事件结束以来的最高峰预测了接下来事件的强度。在ERA-Interim、NCEP Reanalysis I、PCMDI-AMIP 1.1.3和ERSST.v5等多个数据集上对其指数进行了测试。他们将Niño 3.4区域的一致性/无序度定义为:
$$C(t) = \frac{2}{N(N-1)} \sum_{i=1}^{N-1} \sum_{j=i+1}^{N} C_{i,j}^{(t)}(\theta)$$，
其中N为Niño 3.4区域的节点数，为延时互相关函数的最大值，见式。(12)和式(13)。提出预测指数(FI)作为时间(月)的函数:
$$\text{FI}(t) = \frac{1}{m + 1} \sum_{a=0}^{m} \ln C(t - a) - \ln C(t)$$
其中a = 0表示ln(C)的平均值包括当前月份，而m是自1981年1月以来在t之前的月份总数。我们使用ERA-Interim数据集在图21中展示了FI和ONI的时间演变。根据FI的时间演变，他们成功预测了2018-2019年El Niño事件的发生，见图21b中紫色箭头上方的紫色星星。
请注意，可以使用FI的峰值来预测接下来的El Niño事件的强度。这个峰值是从上一个事件结束到一个新事件开始确定的，这意味着我们应该等到新事件开始发生。进一步提高预测技巧，特别是提前时间较长的震级预测。孟等人[241]开发了SysSampEn方法，详见2.4.5节。在公式(100)中定义，如图15a所示。El的震级与SysSampEn的相关性可达r = 0.99[见图15b]。他们进一步利用这种相关性来预测El Niño的大小，预测范围为1年，精度很高(即，单个数据集预测的平均值均方根误差= 0.23◦C)。特别是，对于2018-2019年El Niño事件，他们预测的弱El Niño震级为1.11±0. 23◦C，而观测值为0.9◦C。
最近，Feng等人将机器学习技术和气候网络结合起来，应用于El Niño事件的预测，特别是对El Niño事件的发生和NINO 3.4指数随时间的发展[293]。在参考文献[294]中，Petersik和Dijkstra应用高斯密度神经网络和分位数回归神经网络集成来预测ENSO。用于预测的经典机器学习模型通常只预测一个点值，例如ONI。相反，他们的模型直接预测了ONI的概率分布。特别是，他们发现他们的机器学习模型在1963年至2017年的评估期中，对于较长的提前期(提前12个月)具有高相关性技能(r = 0.5)。在参考文献[295]中，Ham、Kim和Luo使用迁移学习在历史模拟和再分析上训练卷积神经网络，并开发了热图分析。他们发现，采用深度学习方法的统计预测模型可以产生熟练的ENSO预测，预测周期长达一年半。文献[296]综述了基于现代机器学习和人工神经网络的ENSO预测。
[图片]

图22El Niño远程影响:远程连接，在北方冬季12月至1月至2月。降水和地表气温与ENSO暖期有统计可靠关系的地区。
来源:图经美国国家海洋和大气管理局许可转载。

ENSO的远程影响:遥相关
如上所述，ENSO现象主要发生在太平洋。然而，地球的大部分地区都能感受到它的影响。这些远程效应通常被称为远距连接，强调一个地方气候条件的变化可以影响到远离源头的地区[271,297]。遥相关通常由在两个不同地点或地区观测到的数值之间的相关性来表示。它与变率的模式有关，与大气波的传播、洋流的存在等有关。例如，与北大西洋涛动(NAO)和ENSO相关的远相关是可以在大气中找到的远程相关的主要例子。由于这些全球遥相关，El Niño导致太平洋中部降水增加，印度尼西亚和澳大利亚北部干旱，莫桑比克干旱和温暖，而美国西部则趋于湿润。图22显示了12月至1月至2月期间与El Niño相关的气候模式。已在一定程度上可靠地显示出受温暖ENSO阶段影响的区域被突出显示，例如，温暖vs。-冷和湿vs。-干燥异常。ENSO La Niña对冷相的影响在大致相同的区域，但符号相反。
ENSO远程影响的基本机制是通过罗斯比波等大尺度大气波在大气中产生的。罗斯比波是了解大气天气系统和海洋大尺度环流的基础。它们基本上取决于科里奥利参数随纬度的变化。在所谓的β-平原近似中，科里奥利参数随纬度线性变化
$$\beta = \frac{2\Omega}{R} \cos \phi$$，
其中φ为纬度，Ωis为地球自转的角速度，R为地球的平均半径。大气罗斯比波的波长约为6000千米。大气波动动力学类似于在海洋中观测到的ENSO，因为它们涉及到异常风对大气质量的转移，而异常风反过来又影响压力和风。
为了评估一个地区是否存在ENSO连接，Fan等人应用Pearson相关中枢神经网络方法研究了El Niño和La Niña的全球远程影响[64]。他们将Niño 3.4区域称为El Niño盆地(ENB)。中枢神经网络是基于NCEP/NCAR再分析和EAR-Interim数据集的全球每日SAT场，仅使用从ENB到ENB以外地区的定向链接(“内”链接)构建的。这些链接的强度是根据方程计算的。(12)、(13)、(15)。他们确定了互相关函数绝对值的最高峰的值，并表示相应的时间滞后为。一个CN的邻接矩阵变为

其中H(x)是Heaviside∑阶跃函数∑foryh (x≥0)= 1且H(x < 0) = 0。每个节点的“in”度和“out”度分别定义为Ii y =j Ay j,i, Oiy =j Ai,j，量化了进入一个节点或从一个节点流出的链接数。使用的ENB之外的每个节点的总“入”权重定义为
$$\text{IN}(C_i^{y'}) = \sum_{j \in \text{ENB}} A_{j,i}^{y'} C_{j,i}^{y'}(\theta)$$
$$\text{IN}(W_i^y) = \sum_{i \in \text{ENB}} A_{j,i}^y W_{j,i}^y$$.
$$\text{IN}(C_i^y)$$和$$\text{IN}(W_i^y)$$的值反映了ENB的影响。具体来说，如果一个节点没有“in”链接，则“in”度和“in”权值都为的值反映了ENB的影响。具体来说，如果一个节点没有“in”链接，则“in”度和“in”权值都为零，表示没有ENB的影响。根据ONI，将时间分为El Niño年、La Niña年和正常年。El Niño和La Niña的“in”加权度字段是通过取相同类型事件的平均值来计算的
$$\text{IN}(C_i) = \sum_{y \in \text{EY}(\text{LY})} \frac{\text{IN}(C_i^y)}{S}$$
$$\text{IN}(W_i) = \sum_{y \in \text{EY}(\text{LY})} \frac{\text{IN}(W_i^y)}{S}$$，
式中e $$S = \sum_{y \in \text{EY}(\text{LY})} I_i^y$$，“EY”和“LY”表示El Niño和La Niña开始的年份。定义入度为零的节点数为N (y)，每个节点的平均入权为
$$C^y = \sum_{i \notin \text{ENB}} \sum_{j \in \text{ENB}} A_{j,i}^y \left| C_{j,i}^y(\theta) \right| / N^y.$$
图23(a-d)显示，受El Niño和La Niña影响的区域具有相对较高的权重(使用C和W)。作为对比，El Niño年和La Niña年冬季(12月至2月)平均温度异常如图23(e-f)所示。图24显示了El Niño年和La Niña年期间受影响/未受影响区域的定量分析，其中红色和蓝色阴影分别强调了El Niño年和La Niña年。网络分析显示ENSO的强烈(高C(y))局域化(低N(y)) 影响，即这些较强的加权活动被发现集中在非常局域化的区域，而全球的很大一部分不受这些事件的影响(低低N(y)意味着受影响的节点较少)。
El Niño的多样性
据报道，有不同类型的El Niño事件，如典型的东太平洋(EP)和Modoki中央太平洋(CP)类型[298,299]。根据SST异常的空间格局进行分类。例如，与EP类型相关的最强SST异常位于南美洲海岸附近。然而，对于CP类型，最强的SST异常位于国际日期变更线附近。在文献[300]中，Wiedermann等人提出了一种基于进化cnn的指数，以客观区分不同类型的El Niño和La Niña事件。特别是，他们发现他们的网络指数在EP事件期间显示出一个尖峰，而在CP事件期间，它仍然接近正常年份的观测值。Lu等人在cnn分析的基础上，开发了一种新的方法来提前估计ElNiño事件的影响，并预测El Niño事件的类型[301]。
3.1.2. 印度夏季风
印度夏季风（ISM）是世界季风系统中最为突出的一个，对印度的农业生产和经济有着决定性的影响。印度夏季风带来了该国超过70%的年降雨量。对印度夏季风的时间（开始日期和结束日期）以及降雨量的预测对于印度次大陆来说至关重要，并且强烈影响着该国的国内生产总值，其中高达22%由农业决定[302]。时间上的轻微偏差，表现为延迟（或提前到达）可能导致严重的干旱（洪水）。此外，降雨量的波动，即使只有10%的变化，也可能导致严重的洪水或干旱，对基础设施造成破坏，并导致人口的作物和生计损失[303]。印度夏季风的开始是突然发生的，并且近几十年来，对于开始、结束和降雨量的长期提前业务预报几乎没有显示出任何技巧。
[图片]
图 23. 厄尔尼诺现象的远程影响：气候网络。(a), (c) 厄尔尼诺事件的“入”权重图（使用 C 和 W）。(b),(d) 厄尔尼娜事件的“入”权重图（使用 C 和 W）。(e), (f) 厄尔尼诺和厄尔尼娜期间的冬季（12 月至 2 月）平均温度异常。来源：转载自参考文献 [64]。
印度夏季风爆发和撤退预测
已经开发了几种统计气候模型，用于预测ISM的开始和结束日期，其时间尺度各不相同，从短期（最多4天）、中期（4-10天）[304,305]到延伸期（10-30天）和长期（超过30天）预测[306]。特别是，印度气象局（IMD）提前21天提供季风开始的预测，准确度为±4天。请注意，大多数ISM预测模型都基于输入值，包括SST、平均海平面压力、对流层湿度、湿静态能量、出射长波辐射、风场等[307–311]。然而，现有的预测方法仍然存在一些紧迫的挑战：（i）与非季风大气环流系统[312]有关的虚假季风开始；（ii）在9月1日之前预测撤退数据的局限性。
为了克服这些挑战，Stolbova等人提出了一种新颖的临界要素方法，以准确预测印度夏季风（ISM）的开始和撤退日期[95]。该方法依赖于两种方法的结合：气候网络分析和非线性动力学。首先，对极端降雨事件网络的分析能够识别并揭示最活跃的枢纽之间的遥相关性，即东部高止山脉（EG）和巴基斯坦北部（NP）。其次，通过对波动进行分析来应用非线性动力学，从而检测临界跃迁，这些跃迁被用于定义印度夏季风的临界要素。之后，选择EG和NP作为最佳观测地点或参考点（RPs），以预测印度夏季风的开始和撤退。研究发现，在这些参考点之间，存在一个关于海表温度（SAT）和相对湿度的临界点，这产生了一个非常成功的预测方案。
ISM CN 专注于季风区域 (62.5–97.5◦E，北纬 5.0–40.0◦N)，空间分辨率为 2.5 度，这导致 15 × 15 = 225 个网格点，见图 25。1000 hPa 附近的 SAT (T )、1000 hPa 的相对湿度 (rh) 和700 hPa的风场。首先计算每个格点上(T )和(rh)的方差σ 2，如[95]所示
$$\sigma^2(x, d, w, y) = \langle [x(t^*(y) - d - k) - \bar{x}(t^*(y) - d - k)]^2 \rangle_w =
= \sum_{k=1}^{w} \frac{1}{w} \left[ x(t^*(y) - d - k) - \sum_{i=1}^{w} \frac{x(t^*(y) - d - i)}{w} \right]^2,$$
其中，x(t)代表一个时间序列，w是时间窗口的长度，d是ISM开始前的天数，y是一个给定的年份，t∗(y)是给定年份y的开始日期。σ 2的时间平均值可以简单地表示为
$$\bar{\sigma}^2(x, d, w) = \langle \sigma^2(x, d, w, y) \rangle_y = \sum_{y=1}^{Y} \frac{\sigma^2(x, d, w, y)}{Y},$$
其中Y代表总年数。结果如图25所示。已经证实，当接近季风开始日期时，对于T和rh，EG和NP区域的σ ̄ (2)增长最高。进一步发现，在1951年至2014年期间的平均时间序列的RP中存在两个交点。在两个交点处，它与IMD确定的开始和撤退的平均值重合，EG区域的标准偏差为±5天，见图26。因此，这允许基于RP中T和rh的趋势，推导出用于预测EG中ISM开始和撤退的预测方案。
[图片]
图24. 厄尔尼诺-南方涛动（ENSO）的强局部影响。(a) 海洋尼诺指数（ONI）随时间的变化。(b) 有入链的节点数量随时间的演变。(c) 每个节点的平均入链权重随时间的演变。厄尔尼诺和拉尼娜时期分别用红色和蓝色阴影突出显示。
来源：转载自参考文献[64]的图

[图片]
图25. 近地表气温T周均值的波动方差σ¯²（定义见式(121)）在季风前的增长情况。(a) 印度夏季风（ISM）在东高止山脉（EG）爆发前21天，(b) 7天，(c) 1天，d = c - a。合成分析时段为1958 - 2001年，数据来自ERA40再分析数据集，700 hPa风场用蓝线表示。两个方框代表关键区：巴基斯坦北部（NP，蓝色）和EG（粉色）。(e) 在接近季风爆发日期时，NP（蓝色）、EG（粉色）以及印度次大陆（IS）平均的波动方差增长情况。
来源：参考文献 [95] 中的图。

接下来，对两个RP进行线性趋势估计，并与训练期（1951-1965年）的平均时间序列的趋势进行比较。RP趋势的斜率提供了对季风早、正常或晚到达的估计：大于平均斜率的T将导致比平时更早的开始，反之亦然。RP中rh的趋势与训练期的平均趋势相比，增加了对开始的可预测性：高于平均值的相对湿度导致较晚的开始，反之亦然。
研究还发现，ISM的开始与EG和NP中的T相等之日相吻合（见图26a）。因此，为了预测开始时间，应该预测EG的T何时会突然下降并与NP的T相交。最后，撤退的预测方案是基于NP在一年中T变化的对称性。撤退时间估计为NP中预计的T下降与季风季节期间EG中的T的交点（见图26c）。
如果预测的开始时间与实际开始时间的时间差为≤ 7天，预测的结束时间与实际结束时间的时间差为≤ 10天，则认为预测是成功的[95]。所提出的使用T的方案在一年中的第125天（4月10日）进行预测时，能成功预测74%的开始时间。在第205天（7月25日）进行预测时，该结束时间预测方案在84%的年份中取得成功。基于此预测方案，他们成功预测了自2016年以来EG地区的开始和结束时间。
ISM降雨量预测
印度夏季风（ISM）是最突出的季风系统之一。它影响着印度次大陆，是该地区最古老、最受期待的天气现象之一。人们已经提出了几种理论来解释季风的潜在机制。例如，海陆风理论：由于陆地和水的比热容差异，大陆比海洋升温更快。因此，沿海陆地上方的空气比海洋上方的空气升温更快。与海洋上的气压相比，这些在沿海陆地上方形成了低气压区域，导致富含水分的风从海洋流向陆地。当到达陆地时，这些风由于地理起伏而上升，绝热冷却，导致地形雨。然而，对印度夏季风的理解和可预测性仍在不断发展。
全印度降雨指数（AIRI）是印度次大陆整个区域6月至9月印度夏季风（ISM）降雨量的平均总和。它是印度气象局（IMD）监测印度夏季风降雨量[313]的主要指标。对印度夏季风降雨量（ISMR）进行准确的长期预测对于采取及时行动和缓解活动至关重要。在过去的几十年里，人们已经做出了巨大的努力来理解季风的基本物理原理，并提高全印度降雨指数（AIRI）的预测技巧[314–320]。然而，这两种方法都面临着与预测因子之间关系不稳定的挑战，正如近年来观察到的那样，由于边界强迫与印度季风之间的耦合减弱[321,322]。特别是，印度气象局（IMD）统计模型做出的官方业务预报的预测技巧（互相关）在1989-2012年为−0.12，五个集合模型的多元模型集合为0.09，四个亚太气候中心/气候预测与应用项目（APCC/CliPAS）模型的多元模型集合技巧在1989年后为0.24。研究发现，最近的失败很大程度上是由于这些模型无法捕捉到近期全球变暖期间出现的新可预测性来源[303]。
传统上，尼诺3或尼诺3.4区域4月至5月的海表温度异常被用作印度夏季风降水（ISMR）预测的预测因子。这是因为印度夏季风降水的变化主要由东太平洋厄尔尼诺（EP-ENSO）通过热带遥相关驱动[314,315]。然而，近几十年来，印度全印度降雨指数（AIRI）和东太平洋厄尔尼诺之间的这种反向关系已经减弱[270]。研究发现，中太平洋厄尔尼诺（CP-ENSO）也具有独特的遥相关，并对印度夏季风降水产生影响[324]。基于这种物理机制，Wang等人[303]提出了四个物理-经验的印度全印度降雨指数预测因子，即东太平洋厄尔尼诺预测因子（EPT）、中太平洋厄尔尼诺预测因子（CPT）、巨型厄尔尼诺预测因子（PSH）和异常亚洲低压（NAT）。EPT定义为：5月减去3月的海表温度东西向偶极子趋势：DSST(∗) (20◦S-5◦N, 150◦E–170◦E)减去DSST (10◦S–10◦N, 110◦W–80◦W); CPT定义为：5月减去4月的海表温度南北向偶极子趋势：DSST† (10 ◦–25◦S, 170◦E–160◦W)减去DSST (5◦–20◦N, 180 ◦–150◦W); PSH定义为：4月至5月平均海平面气压，在(40 ◦ S–10◦S, 160◦W–90◦W)和(10◦N–30◦N, 180◦–130◦W);范围内平均；NAT定义为：5月减去3月的海平面气压，在(45◦N–60◦N, 95◦E–125◦E)范围内平均。DSST(∗)表示5月和3月之间的海表温度差异（5月减去3月）。DSST†表示5月和4月之间的海表温度差异（5月减去4月）。这些预测因子（EPT）在1989-2012年期间产生了0.51的独立预测技巧，在1921-2012年期间产生了0.64的92年回顾性预测技巧。然而，该模型的预测提前期非常短，即从5月（提前一个月）或6月（印度气象局的业务模型）开始。
[图片]
图 26. ISM 开始日期 (OD) 和撤退日期 (WD) 的预测：2012 年案例研究。左列：OD 的预测；右列：东高止山脉 (EG) 的 WD。(a), (c): 1000 hPa 的气温；(b), (d) 1000 hPa 的相对湿度。来自参考点的时间序列：14 年平均值（黑色）和 2012 年巴基斯坦北部 (NP)（蓝色）和 EG（红色）的值。灰色线显示来自 NP 和 EG 的 14 年训练期间的时间序列。饱和温度 Tsat(a) 和饱和湿度 rhsat(c) 用水平黑色实线标记 (Tsat = Tonset, Tonset 和 rhsat 计算为 EG 和 NP 训练期间平均时间序列的交点)，饱和日期 (dsat)（当 2012 年 EG 的温度达到 Tsat) 时）用垂直深蓝色线标记。橙色线表示 NP 和 EG 训练期间平均时间序列的趋势，浅蓝色是 2012 年的趋势。黑色实线表示训练期间 OD (⟨OD⟩) 和 WD (⟨WD⟩) 的平均值。垂直虚线灰色线对应于预测的开始日期 (ODp) 和撤退日期 (WDp)，而垂直实线灰色线是 2012 年的实际开始和撤退日期。来源：参考文献 [95] 中的图。
为了实现对印度夏季风（ISM）降水的长期可靠预测这一目标，Fan等人基于全球近地表气温场[323]构建了一系列动力和物理耦合的网络。研究发现，有向加权复杂网络的一些特征可以作为印度夏季风降水预测的有效长期预测因子。所开发的预测方法利用前一历年的数据，提前5个月进行预测，预测技巧达到0.5。该预测技巧与当前最先进的模型相当，但提前期较短（即在一个月内）。新的基于网络的预测方法描述如下。
气候网络构建：基于NCEP/NCAR再分析逐日SAT异常数据，为从1948年至今的每个日历年构建一个气候网络。在这项工作中，选择了726个节点，以使全球得到近似均匀的覆盖 [61]。连接强度和方向是基于节点温度异常时间序列之间的相似性度量来确定的[参见公式(12)–(16)]。只有当一对节点的连接强度在前5%的正强度范围内时，才定义为连接，这也对应于高于95%置信水平的统计显著性。
网络预测因子挖掘：为了挖掘AIRI的动态网络预测因子，计算观测到的AIRI与全球每个节点i的网络入度Kiy时间序列之间的互相关[参见公式(6)]。由于自1989年以来，AIRI在IMD业务预报和其他模型中的预测能力变得非常差[303]，因此将记录分为两个连续的时期，即（i）1950-1988年作为训练期，以及（ii）1989-2018年作为回顾性预报期。对于训练期，相关系数如图27a所示。发现一些节点的入度指数能够很好地捕捉AIRI的行为。特别是，具有最大相关性r的节点（在图27a中黄色框标记的区域内）位于南大西洋[(30◦S，30◦W)]。图27b显示，此最大相关性的值为r = 0.49，学生t检验的显著性为p < 0.01。因此，该关键节点的入度指数被认为是AIRI的优化网络预测因子。
[图片]
图 27. 基于气候网络的ISM降雨量预测示意图。(a) 所有节点在训练期间观测到的AIRI与入度时间序列之间的相关系数。(b) 在训练期间，观测到的AIRI与优化的网络预测因子（即黄色框中关键节点的入度时间序列）的散点图。(c) 在1989-2018年预测期间，观测到的AIRI与预测的AIRI的散点图。(d) 南大西洋关键节点与印度次大陆之间的遥相关路径。面板(a)中的黑色×表示相关性在95%置信水平上显著的区域（Student’s t-test）。面板(c)中最近五年以红色突出显示。颜色和灰色箭头描述了面板(d)中2014年8月12日印度夏季风季节850 hPa风的大小和方向。来源：转载自参考文献[323]中的图。
AIRI预测：接下来，测试网络预测器在1989-2018年期间的预测能力。为了获得特定年份的AIRI预测值，将预测年份的预测变量值（即，前一年关键节点的网络入度）代入最小二乘线性回归方程。用于预测的这个方程仅使用过去的信息推导得出。1989-2018年期间的独立预测技巧变为∼ 0.50，这明显高于IMD的业务预测技巧[参见图27c]。结果表明，基于网络的预测器具有良好的准确性，且提前期长达5个月。最后，基于2018年的数据，2019年的AIRI预测为949.87毫米，与长期平均值887.5毫米相比，偏差百分比为7%。2019年AIRI的实际值为968.3毫米。
[图片]
图 28. ISM降雨预报的物理机制。季节平均（6月-9月）Niño 3.4海表温度与(a)海表温度，(b)每个格点降雨量之间的相关性。具有统计显著性（95%置信水平）的相关性用点表示。来源：重印自参考文献[323]的图。
在下文中，将讨论一种可能的物理机制。从气象学的角度来看，西南大西洋中纬度关键节点的位置与印度次大陆之间的遥相关并非巧合。由于与中纬度西风带（地表30°S和60°S之间的西风）的相互作用，南美大陆东海岸的地形容易在中纬度形成反气旋。此外，还存在南极急流的影响，它出现在高空西风带中。南极急流的加速/减速分别诱导低/高压区域，这与气旋和反气旋的形成有关。由于南极急流的强度具有季节性和年际变化，因此它与以关键节点位置为中心的环流强度的变化同步。一种可能基于数据的遥相关路径如图27d所示。因此，关键节点的位置可以看作是南大西洋环流、南极急流和印度洋上空主要大气环流模式的枢纽。这解释了为什么我们观察到关键节点的网络特征与AIRI之间存在显著的相关性。
进一步的分析表明，其物理机制与以下因素有关：（i）网络延迟的ENSO遥相关，即入度指标在厄尔尼诺发生的前一个日历年局部最小。（ii）ENSO-季风遥相关[270,325,326]，即AIRI异常与Niño 3.4 SST异常指数呈负相关。图28展示了Niño 3.4 SST异常指数与所有节点的SST以及降雨指数之间的空间相关图。这些结果表明，Niño 3.4 SST异常指数与赤道印度洋的SST显著负相关，并且严重影响印度陆地地区的降雨模式。
[图片]
图 29. 印度次大陆极端降雨事件同步 CN 的度中心性。极端事件阈值为 (a) α = 94% 和 (b) α = 90%。来源：参考文献 [92] 中的图。
此外，基于网络的方法也可以成功地应用于预测印度同质区域的降雨，作为一种预测方案，包括两个特定的同质区域[323]：（1）印度中部降雨指数；（2）印度东部和东北部降雨指数。此外，有确凿的证据表明气候变化会影响预测技巧。过去70年里显著的变暖趋势——关键节点区域850 hPa温度升高了2.5 ◦C——对关键节点区域产生了重大影响。观察到入度指数的增加以及网络本身结构的改变。与这些变化同时发生的是，这种预测方法对ISM降雨量的预测技巧正在大幅提高[323]。
3.1.3. 极端降水
自20世纪50年代以来，极端降水事件带来了更多降雨，且在世界许多地区变得更加频繁。强降水可能对我们的社会构成威胁。最直接的影响是洪水威胁。在城市和农业地区，这种风险可能会加剧。除了洪水，极端降水还会增加山体滑坡的风险。过多的降水还会降低水质，危害人类健康和生态系统。因此，预测极端降雨事件并为其建立预警系统至关重要。然而，分析此类事件协变的空间模式具有挑战性，因为基于协方差矩阵主成分分析的传统技术只能捕捉数据的前两个统计矩。
印度极端降雨
为了克服这些挑战，Malik等人应用\text{CNs}方法分析了\text{ISM}期间极端降雨的时空模式[92,328]。该方法基于事件同步法（见第2.1.3节）。在文献[328]中，数据集是1961 - 2004年的日降水格点数据集，它是“亚洲降水高分辨率观测数据集成用于水资源评估”项目的一部分。11然后，他们提取了南亚地区0.5度分辨率的数据。为了计算事件同步，选择了\alpha = 94^{\text{th}}百分位数和\alpha = 90^{\text{th}}百分位数这两个不同的阈值来获取极端事件时间序列，分别对应特大暴雨和大暴雨事件。接下来，他们计算了每个格点i和j之间的同步强度Q_{ij}和延迟行为q_{ij} [见式(20)]。归一化后，有0 \leq Q_{ij} \leq 1和-1 \leq q_{ij} \leq 1，其中Q_{ij} = 1表示完全同步，Q_{ij} = 0表示没有同步；q_{ij} = 1表示i处的事件先于j处的事件。然后，通过仅选择显示强相关性的站点对来构建CN，并使用事件之间的时间滞后定义链接方向。
研究了印度夏季风（ISM）期间印度极端降雨的空间结构、组织和尺度。图29显示，CNs的度中心性[见公式(4)]揭示了季风极端降水的明确空间结构[92]。基于使用球面地球投影到平面的公式计算的连接地理长度的中位数，发现极端降雨事件在大部分地区的同步范围可达250公里。他们进一步发现，这种空间组织为及时预测季风降雨活动的可能空间范围提供了可能性，例如，对于大部分次大陆地区，预测精度\epsilon高于70%，在某些地方甚至可达100%[92]。
南美极端降水
这种事件同步CN方法也被用于预测南美洲安第斯中部的极端降雨事件[94]。基于实时卫星反演的降雨数据TRMM 3B42V7 [329]，博尔斯等人能够预测安第斯中部超过99百分位的降雨事件中的60%以上，在厄尔尼诺现象期间甚至能预测90%。向北移动的锋面系统与从亚马逊西部到亚热带的低空风通道之间的相互作用被认为是其成因机制。
极端降雨事件被定义为在空间范围（85°W，30°W）和（40°S，15°N）内，所有12月 - 1月 - 2月季节中阈值α = 99%的时段，空间分辨率为0.25°，时间分辨率为3小时，时间跨度从1998年到2012年。在构建事件同步CN（见第2.1.3节）之后，网络散度$$\Delta S$$被定义为
$$\Delta S_i := S_i^{\text{in}} - S_i^{\text{out}} := \sum_{j=1}^{N} A_{ij} - \sum_{j=1}^{N} A_{ji},$$
其中Sin和Sout分别代表每个节点的入强度和出强度。$$\Delta S$$的正值表示网络的汇；负值表示源。流入和流出区域R的强度为
$$S_i^{\text{in}}(R) = \frac{1}{|R|} \sum_{j \in R} A_{ij},$$
$$S_i^{\text{out}}(R) = \frac{1}{|R|} \sum_{j \in R} A_{ji},$$
其中|R|表示R中包含的网格点数。
图30a展示了网络散度$$\Delta S$$（在式(123)中定义），该散度用于估算南美洲极端降雨的动态变化和时间顺序。标记为1至7的方框用于追踪极端事件。研究发现，降雨网络中最显著的源区是南美洲东南部（SESA），其定义为范围从(60°W, 53°W)到(35°S, 30°S)的方框。图30b描绘了在SESA发生极端事件后的2天内，同步极端事件发生的位置，由Souti(SESA)测量得出。为作比较，Souti(SESA)在图30c中展示。该分析表明，SESA的极端事件之后，会沿着安第斯山东坡的狭窄地带直至玻利维亚西部出现极端事件，而它们仅在西南部的极端事件之后发生。基于极端降雨从SESA向安第斯山脉中部东部（ECA）的传播，见图30d，在SESA发生极端降雨后的2天内，对ECA的极端降雨进行了预测。需要注意的是，这些极端降雨事件无法通过其他方法进行预测。
全球极端降水
Boers等人[96]还应用事件同步CN方法来研究极端降雨的全球模式。使用的是1998 - 2016年期间，从北纬50°到南纬50°、日时间分辨率的经雨量计校准的卫星衍生降雨数据集TRMM 3B42 V731。极端降雨事件阈值为6 - 8月雨季（>1毫米）的第80、81、……、99百分位。请注意，连续降雨超过阈值的天数被视为单一事件，并记录在发生的第一天。为研究该方法的稳健性，还对全球降水气候学计划32和NCEP/NCAR再分析1数据进行了测试。
首先，计算每对节点的极端事件同步性（见第2.1.3节）。如果对应的同步值显著（p < 0.005），则在两个节点之间添加网络链接。研究了显著同步发生的空间距离的全局分布。这种分布遵循幂律p(d)⇓ d↔α衰减，对于距离d < 2500 km，指数α非常接近1，但对于更长的距离则呈现超幂律行为。尺度断点表明，显著链接可以分为两类：（i）与区域天气系统相关的链接，距离可达2500 km，包括中尺度对流系统和热带气旋；（ii）与全球尺度遥相关相关的链接。一般认为，这种遥相关是由大规模大气环流引起的直接信号传输，或由这些环流扰动触发的传播波造成的[96]。在图31中，展示了南亚中部（SCA）95%分位数以上事件的遥相关模式。明显存在连接SCA与东亚、非洲热带地区、欧洲大部分地区、北美东海岸以及南半球温带地区的显著链接束。进一步分析表明，罗斯贝波可被视为这些全球遥相关模式的物理机制。
3.1.4. 大气环流与全球变暖
地球大气主要由环绕我们星球的气体组成，其大气环流模式将空气从一个位置移动到另一个位置，并从地表移动到高海拔地区。大气环流受地球自转、气压、地形、洋流以及温度、盐度等差异的控制。
环流的纬度结构
由于太阳能输入的纬度梯度是大气环流的主要驱动因素，因此其主要特征取决于纬度。我们在图32中展示了地球上大规模大气环流的理想化描述，该图示意性地表示了环流的主要特征，无论是在纬度-高度平面上还是在水平方向上，但尚未考虑由于大陆、海洋等引起的经度变化。这代表了所有经度的平均环流，称为纬向平均。正如我们所见，在两个半球中都有三个大规模的对流单元。
[图片]
图 30. 南美洲极端降雨事件同步 CN。(a) 网络散度，∆S，定义为每个节点的入强度和出强度之差（参见公式 (123)）。标有 1 到 7 的方框用于跟踪极端事件。(b) SESA 的出强度，Siout(SESA)，它是限制在 SESA 的平均出强度（参见公式 (124)）。(c) SESA 的入强度，Siin(SESA)，它是限制在 SESA 的平均入强度（参见公式 (125)）。(d) 沿 (a) 中指示的方框序列，从 SESA 到 ECA 的极端降雨事件的时间演变。来源：参考文献 [94] 中的图。
（i）哈德莱环流是一种热力驱动的、翻转的环流，倾向于在热带上升，并在稍高的纬度下沉。来自赤道附近地表的变暖通过对流云向上输送穿过一个深层。上升的空气向极地方向扩散并缓慢冷却，返回到地表，然后向赤道移动。粗略地说，哈德莱环流将热量输送到大约30◦latitude，而瞬时天气扰动的平均效应将热量进一步向极地输送。
（ii）费雷尔环流也被称为中纬度环流。在费雷尔环流中，近地面空气向极地方向和东方向流动，而在较高海拔处则向赤道方向和西方向流动；这种运动与哈德莱环流中的气流方向相反。它是第一个解释南北半球纬度35◦和60◦之间西风带的环流。
(iii)极地环流圈是最小且最弱的环流圈，其范围从南北纬60◦和70◦之间延伸至两极。这些环流圈中的空气在最高纬度地区下沉，并在地表向较低纬度地区流动。请注意，基于纬度的大气环流理想化图景是一个合理的初步近似，但陆地-海洋的对比以及经度上的其他变化也很重要。
[图片]
图 31. 全球极端降雨事件同步化CN。南亚中区（SCA）95%分位数以上事件的遥相关模式。(a) 连接到SCA的链接，在校正多重比较偏差之前。(b) 连接到SCA的链接束，在校正多重比较偏差之后。来源：参考文献[96]中的图。
气候变化对大气环流的影响
气候变化强烈影响大气环流模式，特别是哈德莱环流，它通过向极地输送能量和热量，在地球气候中起着关键作用[330–332]。一项对卫星观测的分析表明，从1979年到2005年，哈德莱环流向极地方向扩张了2◦纬度[330]。关于哈德莱环流变化及其与全球变暖之间关系的一种可能机制已被报道[331]。此外，[332]中提出了哈德莱环流强度变化及其与全球变暖之间关系的一种可能机制。上述观测和理论都表明，在全球变暖的情况下，哈德莱环流会减弱并向极地方向扩张。
众所周知，亚热带干燥区和主要热带/亚热带沙漠的地理位置与哈德莱环流的下沉分支有关[333]。因此，哈德莱环流的极向扩张可能导致一些热带/亚热带地区在未来变得更加干燥[331]。此外，热带气旋最大强度位置的极向迁移也被认为是哈德莱环流扩张的结果[334]。哈德莱环流的强度是使用观测到的纬向平均经向风在流函数 [335]中计算得出的。
$$[\overline{V}] = \frac{g}{2\pi R \cos \phi} \frac{\partial \Psi}{\partial p},$$
[图片]
图 32. 大气环流主要特征示意图。平均环流被理想化为独立于经度且关于赤道对称。来源：该图来自https://courses.lumenlearning.com/geophysical/chapter/global-atmospheric-circulations/。
其中V是气压坐标中的经向速度，R是地球的平均半径，p是气压。算子¯和[ ]分别代表时间和纬向平均。在计算Ψ场时，我们通常假设大气层顶部Ψ = 0，并将公式 (126) 向下积分到地表。哈德莱环流在冬季比夏季强得多。为了量化哈德莱环流的边缘，首先确定500 hPa处Ψ绝对值的最大值(Ψ500)，然后将边缘识别为最大值以北第一个Ψ500变为零的纬度[331]。哈德莱环流的理论表明，经向范围应与对流层顶的高度H成比例[336]
$$\phi_H \sim \left( \frac{g H \Delta_H}{\Omega^2 R^2} \right)^{\frac{1}{2}},$$
其中H是由温度数据计算得出的，作为递减率降至2 ◦C/km时的最低压力水平[337]，∆H是对流层平均经向位温梯度，Ω是地球的角速度。根据热力学方程和质量连续性方程[335]，环流的经向翻转流函数Ψ的尺度为：
$$\Psi \sim \left( \frac{g H \Delta_H}{\Omega^2 R^2} \right)^{\frac{3}{2}} \frac{R H \Delta_H}{\tau \Delta_V} \propto \frac{H^{\frac{5}{2}} \Delta_H^{\frac{2}{5}}}{\Delta_V},$$
其中 ∆V 是热带对流层的干静态稳定度，τ 是环流的特征翻转时间尺度。
尽管对卫星观测和气候变化模拟的传统分析表明哈德莱环流存在极向扩张，但仍然存在两个挑战。（i）这种扩张的经纬度结构尚未完全解决。（ii）与模型和理论考虑预测强度降低相反，在再分析数据集中发现哈德莱环流强度呈增加趋势[338]。为了克服这些尚未解决的问题，Fanet al.开发了一种基于网络和渗透框架的方法，以研究气候变化对大气环流的影响[67]。他们发现在气候网络演化过程中存在一个突变，表明与热带地区相对应的最大集群持续向极地扩张，以及热带地区连接强度的减弱。这在再分析数据和CMIP5模拟中均有发现。观测到的热带集群扩张的潜在机制与哈德莱环流的减弱和扩张有关。
[图片]
图33. 大气环流的网络渗流方法。CN组件结构的快照。(a) 刚好在渗流阈值之前。(b) 巨型簇相对大小G1与总链路数分数r的关系，针对真实（红色）、空间混洗（蓝色）和时间混洗（紫色）记录。(c) 刚好在跨越簇形成之前（在r ⇔ 0.8处的第二大跳跃处）。(d) 全球范围内链路权重Wi,j的PDF，在真实（实线）和混洗（虚线）数据中。垂直线（橙色）表示在渗流阈值rc ⇔ 0.53处临界链路的强度Wc。
来源：转载自参考文献 [67] 的图。

在参考文献[67]中，气候网络被嵌入到一个二维晶格中，其中只考虑最近邻连接。每个连接的强度是根据公式(15)计算的，使用月度温度差。这些连接按照强度递减的顺序排序，然后按照递减的强度逐个添加。更具体地说，更相似的节点首先被连接。当一个新的连接将一个集群连接到另一个集群时，现有的集群就会增长。然后，气候网络经历一个突发且具有统计学意义的相变，即在序参量G1（最大集群的相对大小）中表现出显著的不连续性。由于地球的球形形状，气候网络中最大的连通分量被重新定义为
$$G_1(M) = \frac{\max\left[ \sum_{i \in S_1(M)} \cos(\phi_i), \ldots, \sum_{i \in S_m(M)} \cos(\phi_i), \ldots, \right]}{\sum_{i=1}^N \cos(\phi_i)},$$
其中 φi 是节点 i 的纬度。渗流阈值根据式 (48) 确定，即跳跃幅度最大的步骤被视为相变点。图 33(a) 显示了渗流阈值下全球地图中的 CN 组件结构。就在这个跳跃之前，CN 的特征是有三个主要群落；最大的一个位于热带地区；第二和第三大的分别位于南半球和北半球的高纬度地区。图 33(b) 描绘了在 CN 演化过程中最大簇 G1 的相对大小随链路占用概率 r 的变化情况。研究发现，G1 在渗流阈值 rc ⇔ 0.53 处出现突然跳跃。链路权重 Wi,j 的概率密度函数 (PDF) 如图 33(d) 所示。
为了确定最大分量Gc的时间演变及其强度Wc（导致最大转变的关键链路的权重），构建了一系列基于连续且不重叠的时间窗口（每个窗口长度为5年）的网络。结果表明，热带集群正在向极地扩张，同时其强度随时间显著减弱。热带分量的稳健减弱和向极地扩张在再分析数据和31个CMIP5模型中均有观测到。网络渗流方法还被用于识别气候变化响应，通过比较21世纪前20年和后20年（即2080 - 2100年与2006 - 2026年）热带分量的拓扑结构。研究发现，一些地区，例如印度北部、非洲南部和澳大利亚西部，受热带分量影响的概率更高，而其他地区，如东北太平洋，未来的影响将减弱。
[图片]
图34. 大西洋经向翻转环流（AMOC）的减缓。模型与观测中SST趋势的比较。地球物理流体动力学实验室的CM2.6气候模型在二氧化碳浓度加倍实验（左）和固定二氧化碳浓度的控制运行（中）期间的线性SST趋势。右，1870年至2016年观测到的HadISST数据的线性SST趋势。数据显示的是11月至5月季节的情况。
来源：图源自参考文献 [160]。

3.1.5. 大西洋经向翻转环流
大西洋经向翻转环流（AMOC）是北大西洋气候系统中的关键组成部分。由于其重新分配的经向热输送，它对气候产生重大影响[339,340]。AMOC已被确定为地球系统的重要临界要素之一[23]。AMOC的变化不仅影响了北大西洋及其周边陆地，而且还产生了全球性的影响[156]。例如，负向变化导致南欧风暴增多[341]，与美国东海岸高于平均水平的海平面上升有关[342]，并与萨赫勒地区干旱的增加（频率和强度）相关联[343]。最近，Caesar等人提供了确凿的证据，表明自20世纪中叶以来，AMOC减弱了约3 ±1（约15%）斯维德鲁普[160]。这种减弱表现为亚极地大西洋的降温和墨西哥湾流区域的升温模式（见图34）。在高分辨率气候模型（CM2.6）中，以及自19世纪末以来的观测HadISST数据中，都发现了AMOC的减缓，这是对大气中二氧化碳浓度增加的响应。开发了一种改进的基于海表温度的AMOC指数（亚极地冷斑），该指数在其区域和季节覆盖范围上进行了优化，以重建AMOC的变化。特别是，研究发现，自20世纪50年代以来AMOC的下降很可能主要是人为造成的。AMOC的这种减缓主要是由北大西洋北部逐渐变化的淡水强迫引起的。
大西洋经向翻转环流（AMOC）是纬向平均的体积输送，其强度在大西洋26◦N处，目前由RAPID-MOCHA阵列进行常规监测[344]。大西洋经向翻转环流的平均模式由共同体地球系统模型（CESM）模拟确定[345,346]。AMOC的最大值出现在约1000米深度，位于墨西哥湾流的分离纬度附近，强度约为20 Sv。由于未来AMOC的崩溃已被确定为一个临界要素，因此开发针对这种潜在崩溃的早期预警指标至关重要。正如我们在第2.3节中讨论的那样，已经开发并成功应用了各种技术，以检测基于临界减速概念的单个时间序列中的早期预警指标[177]。特别是，在[179,181]中讨论了AMOC临界点的早期预警指标。
最近，一些基于复杂网络（CN）的预警信号被提出，通过分析大西洋经向翻转环流（AMOC）崩溃的相关性，可以有效地监测深海环流的空间变化。具体而言，当接近临界点时，平均度数、其峰度、同配性和聚类系数的值会增加[69,70]。复杂网络方法被应用于来自理想化海洋模型的大西洋经向翻转环流（AMOC）温度时间序列，以及来自耦合大气-海洋全球环流模式（GCM）的AMOC强度时间序列。此外，还提出了AMOC测量的最佳位置，通过分析该指标的性能，以提供崩溃的早期预警信号。接下来，我们将概述这些基于复杂网络（CN）的AMOC崩溃早期预警指标。
Mheen等人[69]使用了一个维度（经向-深度）理想化的AMOC海洋模型，其中可以显式计算临界点。在这个模型中，有两个活跃的示踪剂：温度T和盐度S，它们通过线性状态方程与密度ρ相关[347]
$$\rho = \rho_0 \left( 1 - \alpha_T (T - T_0) + \alpha_S (S - S_0) \right),$$
其中αT和αS分别为热膨胀系数和盐收缩系数，而⇀0、T0和S0为参考量。表面淡水强迫FS可作为虚拟盐通量应用，它是
$$F_S(\phi) = \frac{(\gamma + \eta)}{\cos \phi} \cos \pi \frac{\phi}{\phi_N} + \beta F_p(\phi) - Q,$$
其中φ表示纬度，φN是赤道对称区域的北边界，↽是背景淡水强迫的强度，η是白噪音项。ϱ是仅在区域[40°N, 60°N]上施加的异常淡水通量的强度，Q是一个常数，用于将所有参数值下的表面积分盐通量从0归一化到1。如图35所示，理想化海洋模型中大西洋经向翻转环流（AMOC）的分岔图表明在L1和L2处存在临界点。该模型在32×16的空间网格上离散化，有四个接近L1的ϱ值，标记为A、B、C和D。该模型的输出是温度场时间序列。
[图片]
图35. 理想化海洋模式中大西洋经向翻转环流（AMOC）的临界点。(a) 最大（8+）经向翻转流函数与最小（8↔）经向翻转流函数之和相对于异常淡水通量强度ϱ的分岔图。(b) 上稳定分支处的经向翻转流函数（8）模式。(c) 下稳定分支处的8模式。来源：转载自参考文献[69]的图。

接下来，基于皮尔逊相关方法（见第2.1节）构建无向无权CN，无时间滞后，阈值Cc = 0.7 [69]，即如果相关性Ci,j > Cc，则对应的两个节点i和j相连。开发了四个基于网络的指标Ed、Ec、Kd和Kc来研究AMOC的动态演化。这里Ed定义为归一化度分布d/dmax的期望值；Ec定义为归一化聚类系数c/cmax的期望值；Kd是度分布的峰度；Kc是聚类系数分布的峰度。这四个网络指标如图36所示。研究发现，当接近临界点L1时，Ed急剧且平稳地增加。这种增加的解释基于在域的大部分区域中，第一个EOF在解的方差中占主导地位的增强。指标Ec（图36g）也是如此。峰度分布Kd和Kc（图36h）更清晰地显示，在崩溃前接近临界点L1时，它们会大幅增加。请注意，CN是使用5000年的滑动窗口（偏移1000年）从完整的空间温度场构建的。结果对滑动窗口长度不敏感。为作比较，图36中还绘制了之前针对同一AMOC时间序列所提出的有关转变的早期预警指标，如滞后1阶自相关、DFA、均方差（见2.3节的讨论），这些指标在接近临界点时往往会出现快速上升/下降。特别是，滞后1阶自相关系数（图36c）在临界点附近达到最大值，表明AMOC出现临界减速。然而，研究发现该指标并非单调的，在AMOC距离转变还很远时也会上升。图36d所示的DFA分析并未显示出转变的早期预警。图36e描绘了AMOC记录的均方差。它显示出在接近转变时稳步上升，但很难设定一个警报阈值。在图36f中，展示了AMOC强度低于0.5百分位数（基于前5000年估算）的时间占比。这一指标显示出更为急剧的上升，但它是一种相当临时的度量方法，依赖于久远过去的校准[69]。
[图片]
图36. 大西洋经向翻转环流（AMOC）的早期预警信号。（a）AMOC最大值的时间序列。（b）在35000年期间，ϱ相对于时间从0.05到0.17 myr↔1的瞬态变化。（c）时间序列投影到第一个EOF上的滞后1自相关。（d）使用线性（上）和二次（下）去趋势的DFA指数。（e）AMOC的标准差。（f）AMOC强度低于0.5百分位数的时间占比。（g）基于网络的指标Ed（圆圈）和Ec（方块）。（h）与（g）相同，但针对峰度（Kd（圆圈）和Kc（方块））。垂直虚线表示临界点处的ϱ值。
来源：参考文献[69]中的图。

Feng等人[70]还在更现实的快速气象局/英国大学模拟器（FAMOUS）模型中进行了同样基于CN的分析。FAMOUS模型是哈德利中心耦合模型的简化版本，其海洋和大气分量的分辨率较低。AMOC强度数据的年平均值是从FAMOUS模型的控制模拟和淡水扰动（称为“注水”）模拟中获得的。在注水模拟中，温带北大西洋上空的淡水通量在2000年内从零线性增加到1.0 Sv[70]。已考虑了六个100年平衡模拟中每个模拟的完整AMOC流函数场。研究发现，当淡水强迫增加时，网络中的高度（表明高空间AMOC相关性）首先出现在约1000米深度的南大西洋节点处。引入CN的峰度Kd作为有效指标，以捕捉度场拓扑结构的变化。对于注水模拟，在崩溃时间之前，Kd显著增加到远高于控制模拟的值。然而，临界减缓指标方差和滞后1自相关没有显示任何早期预警信号。此外，峰度Kd还可用于确定AMOC的最佳观测位置，该位置在转变前至少100年提供强烈的异常信号。
[图片]
图37. ETOPO1全球地形模型。ETOPO1是一个1角分的地球表面全球地形模型，整合了陆地地形和海洋测深数据。当前平均海平面（零高度）被假定为高度地形的垂直基准。
来源：图源自美国国家海洋和大气管理局（NOAA）https://www.ngdc.noaa.gov/mgg/global/。
3.2. 地球几何地貌
地球的地形或水深呈现出复杂的多重分形结构和标度特性[34][348][349][350]，这可以被视作板块构造过程的结果。揭示地球表面几何特征与其内部的地质过程之间的联系，长期以来一直是地球科学中的一项基本挑战。板块构造理论通常用于研究地球上的大部分主要地形特征[351]，据报道，海洋底部地形与地球气候之间存在着紧密的关联[352]。此外，地球的表面地形也在海洋动力学演化中起着显著作用，尤其是在全球气候变化和海平面上升的问题上面。海平面上升是全球气候变暖的主要后果之一[353]，且已观察到它与风暴潮及其他极端事件共同产生影响[354]。减少全球二氧化碳排放对于管控海平面上升的风险至关重要。据估计，即使在《巴黎协定》[355]的限制范围内，到2300年为止，海平面上升的中位数也将在0.7～1.2米之间。格陵兰岛和南极洲的大型冰盖被认为是导致海平面上升的最可能的因素。假设这些冰盖完全融化，海平面将分别从格陵兰冰盖、南极西部冰盖和南极东部冰盖上升约7米、5米和53米。因此，人们对解释/预测海平面上升的影响区域产生了极大的兴趣。
近期，ETPO1全球地貌模型(ETOPO1 Global Relief Model) 发布，为基于地貌特征更好地理解地球表面过程提供了新的机会[356]。 ETOPO是一个1弧分的地球表面全球地貌模型，它集成了由NOAA完成的陆地地形和海洋测深。它由全球和区域数据集构建，用于计算世界海洋体积并得出地球表面的螺旋曲线。（见图37）
在本节中，我们将使用渗流理论来研究地球几何表面起伏的统计特性。还将讨论其分形结构和标度特性。特别是，将证明地球上当前的平均海平面与全球地形渗流描述中的临界阈值相吻合；有力的证据揭示了地球起伏网络演化过程中发生的突变，这表明存在大陆/集群聚合现象。这有助于我们识别那些更容易受到全球气候变化影响的关键节点或位置。

3.2.1. 自相似性和长关联性
自相似性和长关联是地球表面地形的显著特征[34]。大约从30年前开始，非线性动力学的新思想，尤其是分形和标度的理念，引发了固体地球物理学（包括地形学）建模和实验表征研究的爆炸式增长，综述见参考文件[357]。地球地形线形样带的功率谱 S 遵循标度关系 , 其中k表示波数[34]。这种白哦度关系用于测量地球表面地形的自相似性。此外，在地球的海底地形[358]、河流网络[359]的拓扑以及天然岩石表面[360]中也发现了类似的标度关系。
地球表面地形的长程关联特征可以有以下方式描述。幂律谱中的指数 b(c )通过 b(c )=2H + 1与分数布朗运动 (fBm) 中的Hurst指数H相关，这导致地球地形的。而对特定部分的进一步通用多重分形参数估计导致了更复杂的结构，即测深、大陆和大陆边缘分别为H = 0.46, 0.66, 0.77。[348]
地球表面地形的第三个特征是众所周知的双峰分布，这是板块构造过程的结果[361]。它表示大陆和海洋盆地的地形二分法。
3.2.2. 陆地和海洋集群
尽管经典的构造理论提供了一个可以解释地球大部分主要表面地形特征的框架，但正如第 2.2 节所讨论的，为了从统计物理学的角度研究地球的几何特征，开发了一种基于渗流的描述描述[127][130]。该分析基于高分辨率的 ETOPO1 全球地貌记录。分辨率为 1 弧分，即N=110800×21600 个网格点。当前平均海平面（零高度）假设为高度地貌 h(ϕ(i),θ(i))的垂直基准面，其中 ϕ(i), θ(i )是网格点i的相应纬度和经度。
在参考文献[127] 中，假设的水位被认为是渗透控制参数。当它从地球上的最高可用高度降低到最低可用高度时，在临界水平 h(c) 处发生几何渗透相变，陆地的大部分都围绕着它连接在一起。图38通过将海平面从 h=100m（上）降低到 h=−3520m（下）说明了陆地群聚集。为了确定渗流阈值，将任何节点成为最大岛屿一部分的概率定义为序参量;平均岛屿大小 χ（类似于系统的敏感性）定义为， ,其中 n(s)(h) 表示 h 级别 s 大小岛屿的平均数量，总和上的素数代表排除最大的岛屿;相关长度 ξ 定义为属于同一岛簇的节点的平均距离，,其中 R(s) 是给定 s 簇的回转半径。已经发现，岛屿的序参量在零高度水平 h=0 附近突然跳跃，即在当前的平均海平面上（图39a）。进一步发现，量 χ 和 ξ 在当前的平均海平面上变得不同，见图39b。从这些结果来看，最引人注目的观察结果是临界水平 h(c) 与地球上目前的平均海平面 h=0 相吻合。这可能表明水在地球上的重要作用，并为构造板块运动提供新的视角[127]。
对海洋集群也进行了相同的渗透分析，即假设的水位从最低到最高。图 39b 在 −3640 m 左右引起了海洋顺序参数的不连续跳跃。对月球的地形进一步研究揭示了月球的各种特征。研究发现，月球的临界水平在阈值处有相同数量的陆地和海洋，这表明存在纯粹的几何相变[127]。
3.2.3. 不连续性的起源
据报道，随机网络或晶格系统总是经历连续的渗流相变，并显示出标准的标度特征[81]。然而，地球地形的渗透过渡顺序仍然是一个悬而未决的问题。为了回答这个问题，樊京芳等人开发了一种更复杂的基于渗流的方法[130]。渗流模型定义如下：从未占用的格子开始，根据其排名将站点逐个占用，即首先选择高度最大的站点，然后是第二个站点，依此类推。在每一步中，被占用地点的比例 p 增加与地球地势景观中地点总数 N 的倒数。通过此过程，在每个 p 处连续获得已占用站点的配置。在这里，ETOPO1 全球地貌模型中的所有网格点都根据其高度 h(ϕ(i),θ(i))从最大值到最小值进行排序。在下文中，由于地球的球形性质，渗流陆地（海洋）团簇 s的大小是根据方程 (129) 计算的。每个分数 p 的第 i个间隙 g(i) 的大小定义如下：
$$g_i(p) \equiv s(p) - s\left(p - \frac{1}{N}\right).
$$
具体来说，这里的 g(1) 表示最大的间隙，g(2) 表示第二大间隙，依此类推。间隙 g(i) 越大，合并前的两个集群就越大。图40a显示了最大陆地团团 s 的动力学演变与占用节点 p 分数的函数关系。研究发现，地球的救援网络经历了几次突然的且具有统计学意义的相变，即在阶次参数 s 中表现出不连续性。图40b 显示了渗流阈值处的网络集群陆地结构（就在最大间隙 g(1) 之前）。结果显示，在这次跳跃之前，该网络由四个主要群落组成：最大的一个是非洲-欧亚大陆陆地，第二大集群是美洲，第三个位于南极洲，第四个是大洋洲。值得注意的是，在当前海平面下，存在一个关键节点 (64.458333°N,171.141667°W)它连接了渗流阈值 pc≈0.321 的最大和第二大团簇，海拔高度 h=−43 m。
[图片]
图38. 通过降低海平面实现陆地块簇聚合的示意图。如果节点对应的高度高于给定阈值h，则该节点被占据。不同颜色代表不同的簇。
来源：参考文献[127]中的图。
[图片]
图39. 地球地形的渗流分析。(a) 最大岛屿（圆圈）和最大海洋（三角形）的相对表面积随海平面的变化。陆地临界水平接近当前海平面h = 0，而海洋临界水平接近h = ↔3287米的水平，在该水平上岛屿和海洋的总表面积相等。(b) 关联长度ς和平均岛屿大小⇁随海平面的变化。虚线标记了当前平均海平面处的几何渗流相变。
来源：转载自参考文献[127]的图。
[图片]
图 40.地球地形的渗流分析。（a）最大的陆地群相对大小 s 是真实（绿色）和洗牌（红色）地球地貌记录的总陆地量分数 p 的函数。g(1) 表示方程 (132) 中定义的五个最大间隙。g(5)（b）渗透阈值处地球表面地形网络的陆地群快照，p=0.321。星号表示关键节点。
同样的分析也适用于海洋团簇，即节点根据其高度等级按升序逐个占据。它还导致在渗流阈值 p(c)≈0.379 处，高度水平 h=−3621 m 时，海洋顺序参数出现不连续跳跃。这与参考文献 [127] 中报告的结果 h=−3640 m 非常接近。请注意，临界节点 (59.908333°S, 161.308333°E) 连接大西洋+印度洋板块和太平洋板块。值得注意的是，最大的团簇在陆地结构上的作用与在海洋结构上的作用不同。这些差异揭示了地球地形（大陆）和测深（海洋）的复杂和不同结构。这种二分法表现在众所周知的地球地形双峰分布[361]。
为了证明地球地貌网络中渗流相变的顺序，通过改变节点的分辨率进行了有限尺寸效应分析。对于给定的系统尺寸 L，计算最大间隙 g(1)(L)此处，L 定义为可用区方向上的节点数。根据方程(49)，如果 g(1) (L) → 0 当 L → ∞，则假设相应的巨团簇存在着连续渗流; 否则，假设相应的渗流是不连续的 [147][153]。此外，还研究了渗流阈值 [就在最大间隙 g(1)] s(c)(L)序参量的大小 [见方程 (51)]。结果如图 41a 和 b 所示，它们表明存在不连续的渗流，因为（1） g(1)(L) 往往是一个非零常数;（2） d(f)− d = 0，也表示不连续的渗流。为了进行比较，还考虑了从原始数据的洗牌（空间随机化高度剖面）中获得的随机地形（见图41a 和 b）。洗牌情况的数值结果表明，已知临界指数 β∕ν = 5∕48 ≈0.104 和 d(f) = 91∕48 [106][107] 的连续渗流跃迁，正如在长程关联被破坏时所预期的那样。
为了揭示不连续性的起源，樊京芳等人[130]进一步研究了Hurst指数H [362][363]在二维fBm表面上的渗流。参数 H 通常介于 0 和 1 之间，其中 0 表示噪点非常嘈杂，而 1 表示更平滑。地球的粗糙表面可以通过 fBm [364]进行建模，地球大陆地形的估计值为 H=0.66 [348]。接下来，对 H=0.66 的 fBm 表面进行渗流分析。与真实网络类似，最大的集群 s 也在 p≈0.3 附近表现出突然的转变。最大间隙 g(1)(H, L)的平均值）作为系统大小 L 的函数如图 41c 所示。研究发现，H=0.66 的 fBm 表面上的渗流是不连续的，因为当 L→∞时g(1)(H, L) 往往是一个非零常数。对应于位点渗流演变过程中最大间隙的渗流阈值 p(c)(H, L) 如图 41d 所示。这些值是稳健的，并且与实际数据非常吻合，其中 p(c)≈0.321 [见图38]。这表明渗流和 fBm 相结合的方法可以用作研究地球表面地形的有效工具
[图片]
图 41.地球救援网络中渗流的有限尺寸分析。（a）原始真实数据（红色）和随机数据（蓝色）的最大间隙 g(1) 与网络系统大小 L 的双对数图。（b）对于实际数据（红色）和随机数据（蓝色），在渗流阈值处最大陆地群相对大小 s(c) 与 L 的双对数。（c）最大跳跃 g(1)(H, L) 的平均值与系统大小 L 的函数关系;（d）在 Hurst 指数 H=0.66 的 2D 分数布朗运动表面上渗透的相应渗流阈值 p(c)(H, L) 与 L 的函数关系。
3.3. 地震系统
地震是困扰社会的最具破坏性的自然灾害之一。因此，在不同时间尺度（几天到几十年）进行可靠和熟练的地震预报对于建立合理的地震风险降低策略以及增强准备和恢复至关重要。地震过程是一种复杂的时空现象，被认为是自组织临界系统的一个案例，其中事件以大小范围广泛的级联形式发生，每个事件都由破裂过程的精细细节决定。尽管在 20 世纪下半叶取得了快速发展，但地震的研究与许多其他复杂自然系统的科学一样，仍处于探索和发现的初级阶段。科学挑战在于如何理解既深刻又实用的地震现象，特别是对特定事件规模、位置和时间的确定性预测。最近，基于地震发生的统计模式的概率预测成为一个更加现实的目标，并已在全球倡议中得到积极探索和尝试 [36]。
在本节中，我们将首先介绍地震发生的现象定律，并简要讨论标度不变性和事件间隔分布。然后，我们将回顾如何应用统计力学方法（记忆分析）来提高真实地震目录的预测能力。(PS.记忆分析常用于非平衡态系统的演化，因其具有记忆，往往具有非马尔可夫性，其行为依赖于过去的历史过程)
3.3.1. 标度不变性和事件间隔分布
首先，我们介绍一些表征地震发生的基本量。这些信息，如发生时间、震源位置、地震震级和深度，通常在不同地理区域的在线地震目录中报告，例如，美国地质勘探局（USGS）地震目录。我们在这里介绍这些量的统计分布的主要现象学定律。
[图片]
图 42.以色列地震目录的古腾堡-理查德定律。（a）所选区域内发生的事件地图。（b）作为量级函数的累积数。橙色线是基于方程 (133) 的分布拟合，a=5.36 和 b=0.97。

描述地震大小的最常见方法是使用里氏震级 m，它采用地震仪测量的地面位移的对数，并应用随地震到地震仪的距离而变化的校正中[365]。裂缝区 L 的特征大小以及断层持续时间 τ 都可以用 L∝τ∝100.5m 的大小来表示。
接下来，我们将给出一些已被充分确立的地震经验基本定律。在地震学中，古登堡 - 里克特（GR）定律描述了在任何给定区域和时间段内，震级大于或等于m的地震震级m与累积数量N之间的关系，该关系呈现出指数衰减[366]。
$$\log N = a - bm$$
其中 a 和 b 是拟合参数。我们以以色列地震目录的古腾堡-里查德定律(GR law)为例，如图42所示。古腾堡-里查德定律的 b 值是使用 Marzocchi 和 Sandri [367] 描述的方法计算的。发现该值等于 0.97±0.02。拟合线的截距定义解释所选区域的地震率的 a 值。在我们的例子中a=5.36。正如预期的那样，不同的数据表现出不同的地震活动水平，由震级范围和事件总数量化，对应于常数 a 的不同值。相反，参数 b 似乎与地理区域和时间间隔完全无关。典型的实验结果为构造地震提供了 b≃1。
第二条经验定律，即大森定律，由地震学家大森于1894年首次描述[368]，
$$n(t) = K / (c + t)^p$$
其中 n(t) 是余震率，t 是主震发生后经过的时间;K 和 c 是经验常数，分别控制余震总数 n(t) 和幂律衰减的开始。p 是第三个常数，它修改衰减率，通常在 0.7-1.5 的范围内。
$$n_A \propto 10^{\alpha_M m_M}$$
事件的震级对其触发的余震数量的影响是可以理解的，即主震震级越大，触发的余震总数就越多。这一特性被称为生产率定律，它表明属于某一序列的余震数量n_A[式(134)的积分]随主震震级mM呈指数增长，
对于群体型活动，α(M)参数通常较小，而对于清晰的原发性余震序列，α(M)参数通常较大。
在过去的几十年里，地震事件间隔分布引起了人们的广泛关注和讨论，因为它被认为具有通用的标度形式[370]。Bak 等人首次提出了地震之间等待时间的统一标度律，表达了时间、空间和震级的分层组织。他们考虑了加利福尼亚的地震目录，并用大小为 L×L 的像元网格覆盖了该区域。然后，他们分析了每个单元的事件间隔，并计算了大小大于 m=log(S) 的时间间隔 P(S,L) 的直方图;对于不同的 L 值和最小震级，重复此作（见图43a）。研究发现，如果他们用重新缩放事件间隔 T（其中 b 是古腾堡-里查德 b 值，d(f) 是空间分形维度），并通过 T(α) 重新缩放 P(S,L)，其中 α 是一些指数，则等待时间的分布似乎都坍缩到一条曲线上（图43b）。因此，其标度假设表示为
[图片]
图43. 地震的统一标度律。(a) 加利福尼亚曲库中，线性尺寸为L的区域内震级m大于log10 S的地震之间的间隔时间T的分布PS,L(T)。(b) 对于(a)中T > 38 s的数据，标度函数（见式(136)），以T 0PS,L(T)重新标度，作为变量x = cTS↔bLdf的函数，其中c = 10↔4。数据塌缩意味着地震存在统一规律。实心圆、正方形和三角形分别对应震级截断值Mc = 2、3和4。颜色编码表示单元格的线性尺寸L = 0.25∈（黑色）、0.5∈（红色）、1∈（绿色）、2∈（蓝色）和4∈（橙色）。
来源：转载自参考文献[370]的图。

然后，他们分析了每个单元的事件间隔时间，并计算了事件间隔时间PS,L（其震级大于m = log(S)）的直方图；针对不同的L值和最小震级重复进行此操作（见图43a）。研究发现，如果他们将事件间隔时间T按S↔bLdf（其中b是古登堡 - 里克特b值，df是空间分形维数）进行重新标度，并将PS,L按T 0（其中0是某个指数）进行重新标度，等待时间的分布似乎都收敛到一条单一曲线（图43b）。因此，标度假设可表示为
$$T^\alpha P_{S,L}(T) = f\left( TS^{-b} L^{d_f} \right)$$
其中0⇔1可被确定为余震的大森定律指数，b⇔1是古登堡 - 里克特定律中的b值，df⇔1.2描述了投影到地球表面的震中位置的二维分形维数[370]。
随后，科拉尔[371]发现，事件间隔时间ϑ的概率密度函数Dxy(ϑ)可以简化为标度形式
$$D_{xy}(\tau) = R_{xy} f(R_{xy} \tau)$$
其中Rxy代表指(x, y)区域的平均地震发生率。标度函数f可以用广义伽马分布来表示，
$$f(\theta) = C \frac{1}{\theta^{1 - \gamma}} \exp\left(-\theta^\delta / B\right)$$
参数 ↽ = 0.67 ± 0.05、( = 0.98 ± 0.05、B = 1.58 ± 0.15 和 C = 0.50 ± 0.10。科拉尔通过考虑来自国家地震信息中心（NEIC）13的全球曲库和几个本地曲库的数据验证了上述标度假设：南加州地震中心（SCEC）14、日本大学网络地震曲库（JUNEC）15、IGN公报（伊比利亚半岛和北非）16以及英国地质调查局曲库（不列颠群岛和北海）17。不同地理区域和不同震级下限值的事件间隔时间分布可以合并为一个通用标度函数，如图44所示。
Bak 和 Corral 是通用标度律思想的两个主要支持者。标度关系 Eq. (138) 的有效性引起了人们的极大兴趣。例如，Saichev 和 Sornette [372] 根据传播型余震序列（ETAS）模型进行了广泛的分析，以确定事件间隔分布（详见下一节），他们发现它只是近似普适的，并且是伽马形式的，假设方程 (134) 中的 p的值接近 1，地震活动的分支率（每个事件触发的平均事件数）约为 0.7-1。然后 Molchan [373] 发表了一项关于地震事件间时间的严格数学研究，并证明如果标度分布函数是普适的，则函数形式必须服从指数函数。Touati et al. 分析了真实数据（SCEC 目录）和 ETAS 模拟数据的分布变化，并认为它不是通用的 [374]。他们已经表明，该分布是一种双峰混合分布，在较短的等待时间内由相关余震主导，在较长的时间内由独立事件主导。
[图片]
图44. 有无重新缩放的复发时间分布。(a) 来自NEIC全球曲库的概率密度。(b) 重新缩放后的先前数据，拟合了缩放函数f，见式(138)。
来源：转载自参考文献[371]中的图。
3.3.2. 通过点过程方法对地震事件序列进行建模
有多种统计地震模型可用于描述地震的发生过程，可用于实时地震预报[375]。这些模型的原理是通过使用点过程方法评估地震发生的概率。在众多模型中，描述主震、前震和余震地震聚集特征的ETAS模型已成为检验假设的标准模型和短期地震预报的起点[376] [377] [378] [379]。
在这里，我们将重点介绍用于生成合成地震目录的 ETAS 模型。ETAS模型是由绪方[369][380]和[381]开发的，他们观察到地震活动可以通过古腾堡-理查德定律 (133) 和大森定律 (134) 很好地进行描述。ETAS 模型中的条件率由下式给出：
$$\lambda(t \mid \mathcal{H}_t) = \mu + A \sum_{\substack{i: t_i < t}} \exp[\alpha_M (m_i - M_z)] \left( 1 + \frac{t - t_i}{c} \right)^{-p}$$
其中t(i)是过去事件发生的时间，m(i)是它们的震级大小，是发生的历史。提供在给定地震历史的情况下，在时间t发生地震超过阈值震级M(z)的概率。其中，A = K/c(p)是大森定律中零滞后时地震的发生率，a(M)为方程(135)中定义的繁殖率参数。ETAS模型也可以用随机积分的形式来写[382],
$$\lambda (t \mid \mathcal{H}_t) = \mu + \int_{m_1}^{\infty} \int_{0}^{t} \frac{K}{(t - s + c)^p} \cdot e^{\alpha_M (m - M_z)} N(ds, dm)$$
其中 N(ds, dm)=1，如果一个无穷小的元素 (ds,dm) 将包含某个 i 的事件 (t(i), m(i))，否则 N(ds,dm)=0。(μ, A, c, αM, p) 这 5 个参数代表了该区域地震活动的一些特征。因此，它们在空间上有所不同，在某些情况下也在时间上发生变化。
然后，使用条件强度函数将ETAS模型扩展到时空相位[383]，
$$\lambda (t, x, y \mid \mathcal{H}_t) = \mu(x, y) + \sum_{\substack{i: t_i < t}} \kappa (m_i) g (t - t_i) f \left( x - x_i, y - y_i \mid m_i \right)$$
其中 μ(x, y) 仍然是背景强度，它是空间的函数，而不是时间的函数; κ(m) 是由震级为 m 的事件触发的预期事件数，格式为，
$$\kappa(m) = A \exp\left[ \alpha \left( m - M_z \right) \right]$$
g(t) 是触发事件发生次数的概率密度函数，
$$g(t) = \frac{p - 1}{c} \left( 1 + \frac{t}{c} \right)^{-p}$$
f(x,y|m) 是触发事件的空间分布，可以用以下两种方式表示：短程高斯衰减，或是长程逆幂律衰减，
$$f(x, y \mid m) = \frac{1}{2\pi D^2 e^{\alpha_M (m - M_z)}} \exp\left[ -\frac{x^2 + y^2}{2D^2 e^{\alpha_M (m - M_z)}} \right]$$
ETAS模型已成功用于业务地震预报，例如复杂的阿马特里切-诺尔恰地震序列[384]、日本地区[385]和加利福尼亚地区的次日地震预报[386]。关于用点过程方法模拟地震时间序列的更多一般性讨论，请参见参考文献 [387]。
[图片]
图45. 加利福尼亚曲库中地震发生间隔时间的去趋势波动分析。(a) 针对所有震级M′≥2的地震，(b) M′≥3的地震。黑色圆圈表示SCEC曲库（1995 - 1998年），红色方块表示NCSN曲库（1995 - 1998年），蓝色三角形表示一个人工的古登堡 - 里克特分布相关数据集，其中γ0 = 0.8。空心符号表示DFA0结果，实心符号表示DFA1结果。相应的斜率由直线表示，γ0⇔0.75。
来源：参考文献[388]中的图。

3.3.3. 记忆分析
在本小节中，我们将回顾已应用于地震记录的记忆分析手段。第一种方法是所谓的去趋势波动分析（DFA），用于检测不同时间序列的长期相关性或长期记忆，如DNA序列和气候记录[180]。DFA 的详细信息在第 2.3.3节中提供。根据方程(70),如果时间序列具有长期记忆，则波动函数 F(n) 根据指数α的幂律关系增长。Lennartz等[388]首次将DFA应用于地震的发生时间。他们通过在 SCEC 目录（1995-1998）和 NCSN 目录（1995-1998）上采用去趋势波动分析 DFA0 和 DFA1 的前两个顺序来测试真实和合成记录的长期相关性。他们发现，加利福尼亚目录中的地震事件之间存在长期记忆，表现为震级和出现时间的特征波动。DFA0 和 DFA1 都产生了 DFA 指数 α≈0.75，与阈值 M(z) 和地震目录无关，参见图45。
樊京芳等人[212]已将类似的分析DFA2应用于真实的以色列和意大利目录。他们发现，对于具有不同震级阈值 M(z) 的地震事件之间的相互出现时间序列，指数α也非常接近 0.75。图46a-d 显示了 DFA2 结果。他们还对其他地震变量进行了 DFA，例如地震事件的数量和粗略时间窗口 dt 内释放的能量。地震的能量定义为
, 其中 E(t) 表示在 t 和 t+dt 之间发生的事件数，M(l)(t) 表示事件的震级。为了处理更均匀的时间序列，樊京芳等人将S(t)>1切换到s(t) = log(S(t))，将S(t)≤1切换到零，将E(t)>1切换到e(t)=log(E(t))，将E(t)≤1切换到零[212]。接下来，对以色列和意大利震级目录中具有不同时间窗口 dt 的时间序列 s(t) 和 e(t) 应用 DFA 分析进行了测试。结果发现，对于这两个区域和所有研究的幅度，标度指数 α 的值都非常稳健 ∼0.75，即 dt 的大小不会影响内存指数α。因此，返回间隔、事件数量和释放的能量是显著的长期相关的，并且具有非常相似的标度指数。记忆分析也已应用于 ETAS 模型。出现次数的 DFA2，参数A=6.26，μ=0.2，p=1.1，α(M)=1.5 和 c=0.007，见方程(139)，得到 α≈0.75，如图 46e 所示。
另一种研究地震发生时记忆的常用方法称为条件概率（CP），由 Livina 等人 [389] 提出。考虑到重现时间间隔的时间序列，他们按升序对其进行排序并将其分为四个 25% 的分位数;即，第一个分位数 Q(1) 表示最短的 25% 的等待时间，依此类推。研究了重现时间 τ 的分布，它遵循先前的重现时间 τ(0) ，P(τ |τ(0))其中的 τ(0) 属于极值的分位数之一，即 Q(1) 或 Q(4)。请注意，对于没有记忆的记录，P(τ|τ(0)) 应独立于 τ(0)，并且应与 P(τ) 相同。对于真实数据，Livina 等人发现 P(τ|τ(0)) 强烈依赖于前一个重现时间 τ(0)，因此短的重现时间引发了短的重现时间，长的重现时间紧随着长的重现时间（见图47a、c 以色列和意大利目录）。为了量化和测量记忆水平，樊京芳等人分析了重现时间的累积分布函数（CDF），并将 Q、Q(1) 和 Q(4) 的 CDF 分别表示为 CQ(τ)，CQ(1)(τ) 和 CQ(4)(τ)。Q(1) 的记忆强度定义为：
$$\rho_1 = \int \left( C Q_1(\tau) - C Q(\tau) \right) d\tau \bigg/ \int d\tau$$
同样，Q(4) 的记忆等级为
$$\rho_4 = \int \left( C Q_4(\tau) - C Q(\tau) \right) d\tau \bigg/ \int d\tau$$
因此，0≤ρ(1)≤1 和 −1≤ρ(4)≤0 以及更高的 |ρ(1)|（或 |ρ(4)|）意味着更强的记忆以及，而 ρ(1)=0（或 ρ(4)=0）意味着没有记忆。结果如图 47b 和 d 所示，用于以色列和意大利的地震目录。他们发现以色列目录的Q(1)和Q(4)为ρ(1)=0.248,ρ(4)=−0.193，而意大利星表的Q(1)和Q(4)为ρ(1)=0.260,ρ(4)=−0.153[212]。进一步的研究表明，ρ 的值是稳健的，并且不依赖于 M(z)。为了研究相关性（α、ρ(1) 和 ρ(4)）对地理位置（构造环境）的依赖性，他们对其他地震目录进行了 DFA 和 CP 分析，包括新西兰、南加利福尼亚地震中心、日本统一高分辨率地震重新定位目录和震中初步确定全球地震目录。目前已经发现，对于所有目录和所有研究的震级中，α、ρ(1) 和 ρ(4) 的值都非常稳健。
[图片]
图 46.来自以色列、意大利和 ETAS 目录的出现间期序列和 DFA。（a）使用震级阈值 M(z) 的以色列（a）和意大利（b）目录中的地震事件之间的出现时间序列。来自不同 M(z) 值的（c）以色列和（d）意大利星表的出现时间的 DFA。（d） ETAS模型出现时间的DFA，参数A=6.26，μ=0.2，p=1.1，α(M)=1.5以及c=0.007，见方程(139)。实线是坡度 α=0.75，R-square>0.99 的最佳拟合线。为了进行比较，斜率 α=0.5 的清洗数据表示没有记忆，显示在图（d）中
[图片]
图 47.以色列、意大利和 ETAS 目录的内存分析。（一、三、五）对于高于阈值 M(c) = 2.0 的（a， b）以色列目录、高于阈值 M(c) = 3.0 的（c， d）意大利目录和（e， f）高于阈值 M(c) = 2.0 的（e， f） ETAS 目录的重现时间 τ 的条件 PDF 和（b， d， f） CDF。

最后，通过测量系数 α、ρ(1) 和 ρ(4)，在 ETAS 模型中进行内存分析 DFA2 和 CP，如图46、47所示。结果表明，实证观测的地震记忆（对于以色列目录）只能针对模型的一小部分参数进行再现。此外，ETAS模型中的记忆起源受以下因素影响：（i）模型的背景（噪声）率的参数μ，通过时间重叠的余震子序列的干扰来影响记忆，即较小的μ导致更强的记忆性，以及（ii）分支比：将余震的产生与震级相关的指数， α(M) 和大森定律的幂指数p 也可以通过 ETAS 模型的分支比来影响记忆，即较小的 p 和较大的 α(M) 导致更强的记忆性（参见参考文献 [212]中的图 11 和 12）。
最近，Zhang等人引入了一种滞后CP方法，以研究地震事件间期和地震距离中可能的长期记忆[390]。时间和距离的 CP 分别定义为 ρ(τ(k)|τ(0)) 和 ρ(r(k)|r(0))，其中 τ(0)(r(0)) 属于 Q(1) 或 Q(3) 组。τ(k)(r(k)) 是 τ(0)(r(0)) 之后的滞后第 k个事件间隔。为了量化以及水平，引入了 S(τ(k)|τ(0)) ≡ 1−s(13)，其中 s(13) 是 PDF 在 Q(1) 和 Q(3) 之间的公共区域。这里S(τ(k)|τ(0))(
)∈ [0,1]。类似地，S(r(k)|r(0)) 表示事件时间间隔的记忆等级。有趣的是，已经能够表明 S(k) 可以用以下标度形式表示，
$$S(k) = L^{-d_u} F(k \cdot 10^{b M_z}) 10^{a M_z}$$
其中 d(u) 和 a 是常数，b=1 表示古腾堡-理查德定律。意大利目录中 S(τ(k)|τ(0))、S(r(k)|r(0)) 及其相应的标度函数的分布函数如图48 所示，其中 d(u )= 0.14 和 a = 0.09 表示事件间时间 τ; d(u)=−0.08 和 a=0.24 的事件间距离 r。图48c 和 d 中显示的标度函数表明 F(x)∼x(−γ) 的两个不同的幂律关系之间存在交叉。两种标度函数在
处都表现出显著的交叉。这些结果表明，不同网格大小和不同震级阈值的记忆测量可以重新缩放为单个函数。然而，研究发现，ETAS模型中的记忆函数与真实地震目录中的记忆函数有很大不同，即与真实地震目录相比，该模型的记忆在短（长）时间尺度上更弱（更强）。此外，该模型在真实目录中没有表现出明显的交叉。
3.3.4. 地震预报
地震是世界上最具破坏性的自然灾害之一。熟练可靠的地震预报目前依旧是我们的最终目标。地震预测一词通常是指未来地震的发生时间、位置或震级。然而，“地震预报一词通常是指在以点为中心的体积 Σ 的超级单体内对地震发生概率 P(Σ) 的评估。因此，基本量是以时间 t 处可用的整组信息 ℓ 为条件的发生概率 [36]。在以先前历史为条件的第 k个区间内，在时间 t 发生地震的概率为
$$P\left( \zeta_k = 1 \vert \mathcal{H}_{t_k} \right) = \lambda \left( \vec{\omega}_k \vert \mathcal{H}_{t_k} \right) d\Sigma + \mathcal{O} \left( d\Sigma^2 \right),$$
其中 λ 是 Eqs (139)或(141)中定义的局部条件率。表示第 k个单元格的中心。预测概率 P(Σ) 是发生率在 Σ的积分，取决于超单元格 Σ 的体积，即 Σ 越小，λ 的评估越准确。其次，Σ 的时间延伸 T 也影响着预测精度。根据 T 的时间尺度，可以任意区分长期和短期预报[391]：地震长期预报T几十年到几个世纪的间隔内; 中期预测，对于月级的 T，以及短期预测, 几秒钟到几周的间隔内的 T。短期预报通常细分为地震后预报和地震前预报，指的是主震的余震和前震。值得注意的是，从风险管理的角度来看，地震后预报仍然非常重要，因为余震的大小可能与其触发的主震相当，甚至更大。然而，从工程的角度来看，长期预测可能是最相关的，例如城市规划风险评估。根据早期预警前震观测，可以成功预测一些大地震，例如 1975 年中国海城地震[392] 和 1995 年希腊科扎尼-格雷韦纳地震[393]。然而，大多数地震并不表现出明显的前兆模式，例如，2004 年帕克菲尔德（加利福尼亚州）地震[394]。因此，对前震或前兆模式的评估仍然是一个悬而未决的问题。由于大多数地震模型都是基于公认的经验定律，即余震时空发生聚类，因此作为ETAS模型，它们在某种程度上只能为长期和震后短期预报提供可靠的风险评估，而不能为前震提供可靠的风险评估。尽管如此，如何验证预测模型仍然非常重要。在下文中，我们将回顾评估地震预测和地震预报的各种方法。
接收者操作特征曲线(ROC曲线)
接收者操作特征曲线（ROC）图是一个图形图，说明了二元分类器系统在其鉴别阈值变化时的预测质量。为了评估地震预测，如果预期会发生地震（“YES”），概率为 P(Σ)>P(t)，其中 P(t) 是阈值，如果事件已发生，则我们称其为命中;如果单元中没有预期到地震（“NO”），如果发生了事件，我们称其为 miss。每个没有观察到相应地震的 “YES” 预测都是误报，而每个没有发生地震的 “NO” 预测都是正确的拒绝。在此表示形式中，警报声明和事件观察有四种可能的组合，请参阅表1了解每种意外事件的数量。在这里，我们将 a 定义为命中数，b 定义为误报数，c 定义为未命中数，d 定义为正确拒绝数。我们将真阳性率（TPR）定义为
$$TPR = \frac{a}{a + c},$$
和假阳性率（FPR）为
$$FPR = \frac{b}{b + d}.$$
当 TPR 和 FPR 一起绘制在正方形 [0,1] × [0,1] 上时，得到的度量称为 ROC，而完美预测对应于坐标为 TPR = 1 和 FPR = 0 的点，对角线表示随机猜测的长期行为。可以通过连续改变 P(t) 来获得完整的 ROC 曲线。这里我们以图49中的深度学习方法为例，展示了一条余震预测 ROC 曲线。
[图片]
图 48.来自意大利目录的事件间时间和距离的滞后 CP 内存分析。内存测量（a） S(τ(k)|τ(0))和（b） S(r(k)|r(0)) 作为滞后指数 k 的函数。重新调整了事件间隔和（d）距离的记忆测量（c）。不同颜色表示不同的网格大小 L。符号的形状表示不同的幅度阈值 M(z)。
莫尔昌图
与ROC密切相关的是莫尔昌图（Molchan diagram），它是一种误差图，可用于比较测试模型和另一个通用参考模型的预测结果[396]。它是误报率（M = 1↔ TPR）与警报或“是”预测所占据的实验时空体积分数F的关系图。莫尔昌图中的最佳预测是点（F = 0，M = 0）。特别地，在已观测到n次目标地震的情况下，偶然获得h次或更多次命中的概率由二项分布描述。
$$\Gamma_M = \sum_{i=n}^{n} \left[ \binom{N}{i} F^i (1 - F)^{n - i} \right]$$
其中$$\binom{N}{i} $$表示二项式系数。通过固定$M$并连续改变$F$，可以在莫尔昌图中得到一条置信度曲线。因此，非常小的$M$值表明警报集具有较高的技能。
数字检验(N检验)
N检验用于了解预测的地震总数N(forcast)与观测到N(obs)的事件数的匹配程度[397]。假设目标地震服从广义泊松分布，负二项式分布（NBD）的质量函数可以表示为[384]
$$f(n; r, p) = \frac{\Gamma(r + n)}{n! \Gamma(r)} p^n (1 - p)^r,$$
其中 Γ(r) 是 Gamma 函数，n 是目标地震的次数，r,p 是分布的两个参数。那么 NBD 可以推导出为
$$f(n; r, p) = \int_{0}^{\infty} f_1(n; \lambda) f_2 \left( \lambda; r, \frac{1 - p}{p} \right) d\lambda,$$
其中 f(1)(n;λ) 是泊松分布，假设 λ 服从 Gamma 分布
$$f_2(\lambda; k, \theta) = \frac{\lambda^{k - 1} e^{-\frac{\lambda}{\theta}}}{\theta^k \Gamma(k)},$$
其中 k,θ 是 r=k 且 p=θ/(1+θ) 的 Gamma 分布参数。接下来，我们计算 gamma 分布的参数 k 和 θ。为了解释 N 检验结果，可以使用有效显著性值 α(eff) 的单侧检验，该值为 α=0.05 的预期显著性值的一半。图50c 显示了 N 检验的一个示例。
Space 检验（S 检验）
S 检验是一种似然检验，其中只考虑预测和观察的空间分布 [398]。S 检验可以用
$$\zeta = \frac{n \left\{ S_i \vert S_i \leq S, S_i \in S_s \right\}}{n \left\{ S_s \right\}},$$
其中 S(i) 是第 i个模拟的空间似然，S(s) 是模拟空间似然的集合，S 是相对于观测到的空间预测的可能性，n{A} 是集合 {A} 中的元素数。如果 ζ 小于临界显著性值 α，则观测到的空间分布与预测不一致。但是，接近 1 的值表示最佳空间预测。我们展示了图50a 中的 S 检验示例。
[图片]
图49. 基于神经网络的ROC曲线示例。(a) 绘制了真阳性率与误报率的关系。(b) 针对一个深度为10公里、长60公里的右旋走滑断层（红线）的合成案例。虚线对角线代表随机预测（零假设）。
来源：转载自参考文献[395]的图。
除了上述方法外，还有各种其他方法来评估预测模型的准确性，例如似然检验（L 检验）、似然比检验（R 检验）和幅度检验（M 检验）。关于地震预测和地震预报评估的指导性综述可以在参考文献[399]中找到。
如上一节所述，我们研究了真实星表和 ETAS 模型中地震中记忆的可能来源。在这里，我们将证明记忆分析可以显著提高真实地震目录的短期预测率。在估计给定地震目录的ETAS模型参数时，ETAS参数通常基于点过程最大似然（ML）方法、Davidon-Fletcher-Powell算法[380]或模拟退火[400]与数据进行反演。例如，通过使用ML方法，可以得到μ=0.2、A=6.26、α(M)=1.4、p=1.13和c=0.007，参见方程(139), 意大利目录[400]。然而，当考虑内存时，ETAS模型可以再现与真实星表中相同的内存，但仅限于小范围的参数值，即μ=0.2、A=6.26、α(M)=1.5、p=1.1和c=0.007 [212]。作为一个测试案例，在2017年1月18日发生的Capitignano 5.7主震[401] 之后，使用ETAS模型预测了事件NC的累积数量。时间 t 的累积数是通过从 0 到 t 对方程 (139) 进行积分来计算的。这样，通过考虑记忆，可以将主震后 14 天内的预测精度提高 20% 以上。此外，Zhang等人最近提出了一种改进的广义ETAS模型，该模型准确地再现了短期和长期/距离记忆[402]。新的 ETAS 模型还被发现可以显著改善意大利和南加利福尼亚地震目录的地震预报。
表1 二元事件列联表
4.结论和观点
在本文中，我们回顾了统计物理学和基于复杂网络的技术，这些技术促进了我们对复杂地球系统（地球物理学中一个相对较新的分支）的了解。这些技术有助于解决对气候变异性、地球几何地貌特征和地震的理解和预测问题。在本节中，我们试图得出一些结论性评论，并讨论对未来研究仍持开放态度的观点。我们相信这些新颖的方法将引起相关领域科学家的注意。
在第 2 节中，我们首先描述了基于统计物理学的总体方法，用于分析复杂地球子系统的重要方面。它包括复杂网络、渗流理论、引爆点分析、熵理论和复杂性。尽管已经证明上述方法可以单独或组合地成功地应用于地球系统，但要开发一个适当和全面的框架，还有很多工作要做。在需要解决的不同开放问题中，我们强调了以下四个：（i）需要对潜在的物理机制收集更好的知识和理解;（ii）需要将 CN 的概念扩展到更全面的描述，例如多层气候网络 [403]。这是因为气候是一个耦合的多层系统;（iii）需要发展气候系统中临界现象（渗流）的通用理论，特别是对于非平衡系统;（iv）需要提出一个关于如何通过多个时空变量的时间序列来预测地球系统的临界点和熵的原则。
在第 3 节中，我们继续回顾了统计物理学方法在不同地球子系统中的应用。具体来说，第 3.1 节强调了五种天气和气候动力学情景，包括厄尔尼诺-南方涛动、印度夏季季风、极端降雨、大气环流和大西洋经向翻转环流。我们建议不断发展的 CNs （和其他组合方法）相互作用和模式可以作为新的预测因子，从而显着提高预测。除了上述情景外，CNs方法还被广泛应用于其他高影响现象，如大西洋年代际震荡的西向传播[99]、遥相关路径的检测[62]、因果门户和中介的识别[404]、极端平流层极地涡旋状态的早期预测[405]、二氧化碳（CO2）对全球SAT的影响[406]等。尽管取得了巨大成就，但仍有许多与气候系统相关的未开发问题值得进一步关注。因此，需要进一步研究的主题，例如，（i）人类活动如何改变并继续改变地球的海洋和大气成分，其中一些变化对地球的能量平衡有直接或间接的影响，因此是气候变化的驱动因素;（ii）地球系统模型中的统计力学和 CNs 行为，范围从简单的能量平衡模型到一般环流模型;（iii）古气候中预估的短期和长期突变相变，特别是海冰和雪球-地球起源的作用[407]、[408]、[409];（iv）通过使用 CNs 方法提高包括雷暴、冰雹和龙卷风在内的强对流天气过程的可预测性。
在第 3.2 节中，我们回顾了当前关于地球表面地形的统计特征和渗透框架的文献。我们已经指出了地球救援网络演化过程中发生的突然转变的证据，这表明了大陆/团簇的聚集。通过分数布朗运动模型的进一步分析表明，长程相关性可能在地球上观察到的不连续性中发挥关键作用。这项研究可能有助于理解地球上的几何相变，但也可用于确定地球救援网络中未来全球变化的关键节点。特别是，（i）构造板块的未来运动，以及（ii）这些关键节点的动态演变至关重要，因此需要进一步解决。
在第 3.3节中，我们首先描述了公认的地震经验基本定律，包括 Gutenberg-Richter、Omori 和生产力定律。然后，我们讨论了事件间分布的缩放假设。还综述了流行病型余震序列模型（ETAS）和评估地震预测和地震预报的各种方法。最后，我们证明了两种提出的内存分析方法，DFA 和 CP，可以显著提高真实地震目录的短期预报率。尽管如此，地震预测研究一直饱受争议的困扰，它仍然是一个突出的挑战。除了改进短期余震预测外，我们还强调新方向的潜力。（i）引爆点和记忆分析在理论地震模型中的广泛应用，这些模型解释了加速的时刻释放和前震的发生以及其他前兆模式，其中主震被视为地震周期内的特征地震 [410]。（ii）开发地震预报模型，用于描述前震组织和记忆行为。（iii）在网络理论成功应用于气候现象预测的推动下，提出了基于发生时间序列的地震网络框架 [411]，特别是地震波（弹性体和剪切波）和直接地震波之前的弹性重力信号[412]。
本文回顾的基于统计物理学的方法的主要特征之一是能够更好、更可靠地预测复杂的地球现象，例如厄尔尼诺事件、安第斯山脉中东部的极端降雨、印度夏季季风、大西洋年代际振荡崩溃和地震的发生。此外，我们观察到人工智能和深度学习技术[413]近年来在许多领域都取得了巨大成功，例如统计物理学中的相变[414]、[415]、[416]、数据驱动的地球系统科学[417]、ENSO预报[294]、[295]、印度季风降雨[418]，以及余震模式预报[395]和地震探测[419]在地震系统中。事实上，我们有信心，基于网络和基于人工智能的技能的结合和互补将相互促进。例如，将机器学习应用于网络属性向量（产品相似性）可以预测成功和失败的公司，其准确性比当前最先进的市场预测技术要高得多[420]。此外，深度学习系统可以被视为复杂的网络，因此可以深入了解学习过程中产生的计算图的结构和功能特性[421]。
最后，考虑到使用复杂网络理论分析社会、生态系统和经济的气候适应力，仍有许多方法的空间。我们目前缺乏合适的模型来更好地理解或预测极端气候/天气事件对相互依赖的关键基础设施日益增长的不利影响所引发的级联失效[30]的影响。缩小这一知识差距对于开发实现气候和基础设施韧性的方法至关重要。另一个肯定会引起广泛关注的非常相关的研究主题是对复杂气候-健康关系的评估和量化。人们普遍认为，气候条件，包括温度和降水的时空分布，对人类健康有关键影响[422]。此外，某些疾病的发病率和爆发，如媒介传播（疟疾和登革热）疾病、持续的 COVID-19 大流行 [423] 和流感，都受到气候变化或环境的强烈影响 [424-428]。然而，在传统的流行病学模型[113] 中，如SIR、SIR和SEIR模型，气候影响往往被排除在考虑之外。我们需要强调的是，考虑到气候因素的传统流行病学模型可能是一条非常有前途的道路，可以更深入地了解流行病过程并评估气候变化对区域和全球的健康影响。

集智百科参与方式

2025-12-03T08:51:34Z

相信未来：/* 词条百科组成员 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[蓝梓杰]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[徐然]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|蓝梓杰
|佛山大学计算机科学本科生，研究兴趣：因果涌现、机器学习
|[[部分信息分解]]
|2025.11.28
|
|进行中
|-
|2
|黄芸
|上海交通大学计算机专业博士生，研究兴趣：kolmogorov复杂度
|[[Koopman理论]]
|2025.11.09
|
|进行中
|-
|3
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|4
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|5
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|6
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|7
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|8
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|9
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|10
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|11
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|12
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|13
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|14
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|15
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|16
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[Koopman理论]]
|2024.01.01
|
|组内学生
|-
|17
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|18
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]
|2025.07.01
|
|组内学生
|-
|19
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|20
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|21
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|22
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|23
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|24
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|25
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|26
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|27
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|32
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|33
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|34
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]

集智百科参与方式

2025-12-03T08:50:06Z

相信未来：/* 初级期 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[蓝梓杰]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[徐然]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|蓝梓杰
|佛山大学计算机科学本科生，研究兴趣：因果涌现、机器学习
|[[整合信息论]]
|2025.11.28
|
|进行中
|-
|2
|黄芸
|上海交通大学计算机专业博士生，研究兴趣：kolmogorov复杂度
|[[Koopman理论]]
|2025.11.09
|
|进行中
|-
|3
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|4
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|5
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|6
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|7
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|8
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|9
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|10
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|11
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|12
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|13
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|14
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|15
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|16
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[Koopman理论]]
|2024.01.01
|
|组内学生
|-
|17
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|18
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]
|2025.07.01
|
|组内学生
|-
|19
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|20
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|21
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|22
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|23
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|24
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|25
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|26
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|27
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|32
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|33
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|34
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]

一维动力学

2025-11-30T07:47:31Z

相信未来：/* 四阶龙格–库塔法（Runge Kutta Method - RK4） */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

如图所示，左侧的不动点是稳定的，当 x 位于左侧不动点的左侧少许时，其速度向右；当 x 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。

[[File:fixed_point_1.png|400px|thumb|right|稳定不动点和不稳定不动点，引自<ref name='非线性动力学与混沌读书会：直线上的流'>https://pattern.swarma.org/study_group_issue/998</ref>]]

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）。这是符合直觉的：给定时间 <math>t</math> 下系统不可能同时处于两个不同的确定状态。

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

'''存在性与唯一性定理'''
若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则初值问题

<math>
\left\{
\begin{align}
\dot{x} &= f(x), \\
x(0) &= x_0
\end{align}
\right.
</math>

的解<math>x(t)</math>在<math>t=0</math>的某个邻域<math>(-\tau, \tau)</math>内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />其更新公式为：

<math>
\left\{
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}\right.
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-30T07:43:57Z

相信未来：/* 性质 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

如图所示，左侧的不动点是稳定的，当 x 位于左侧不动点的左侧少许时，其速度向右；当 x 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。

[[File:fixed_point_1.png|400px|thumb|right|稳定不动点和不稳定不动点，引自<ref name='非线性动力学与混沌读书会：直线上的流'>https://pattern.swarma.org/study_group_issue/998</ref>]]

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）。这是符合直觉的：给定时间 <math>t</math> 下系统不可能同时处于两个不同的确定状态。

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

'''存在性与唯一性定理'''
若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则初值问题

<math>
\left\{
\begin{align}
\dot{x} &= f(x), \\
x(0) &= x_0
\end{align}
\right.
</math>

的解<math>x(t)</math>在<math>t=0</math>的某个邻域<math>(-\tau, \tau)</math>内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-30T07:38:38Z

相信未来：/* 性质 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

如图所示，左侧的不动点是稳定的，当 x 位于左侧不动点的左侧少许时，其速度向右；当 x 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。

[[File:fixed_point_1.png|400px|thumb|right|稳定不动点和不稳定不动点，引自<ref name='非线性动力学与混沌读书会：直线上的流'>https://pattern.swarma.org/study_group_issue/998</ref>]]

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）。这是符合直觉的：给定时间 <math>t</math> 下系统不可能同时处于两个不同的确定状态。

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

'''存在性与唯一性定理'''
若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则初值问题

<math>
\begin{align}
\dot{x} &= f(x), \\
x(0) &= x_0
\end{align}
</math>

的解<math>x(t)</math>在<math>t=0</math>的某个邻域<math>(-\tau, \tau)</math>内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-30T07:37:33Z

相信未来：/* 性质 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

如图所示，左侧的不动点是稳定的，当 x 位于左侧不动点的左侧少许时，其速度向右；当 x 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。

[[File:fixed_point_1.png|400px|thumb|right|稳定不动点和不稳定不动点，引自<ref name='非线性动力学与混沌读书会：直线上的流'>https://pattern.swarma.org/study_group_issue/998</ref>]]

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）。这是符合直觉的：给定时间 <math>t</math> 下系统不可能同时处于两个不同的确定状态。

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

'''存在性与唯一性定理'''
若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则初值问题

<math>
\begin{align}
\dot{x} &= f(x), \\
x(0) &= x_0
</math>

的解<math>x(t)</math>在<math>t=0</math>的某个邻域<math>(-\tau, \tau)</math>内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-30T07:23:39Z

相信未来：/* 不动点及其稳定性 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

如图所示，左侧的不动点是稳定的，当 x 位于左侧不动点的左侧少许时，其速度向右；当 x 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。

[[File:fixed_point_1.png|400px|thumb|right|稳定不动点和不稳定不动点，引自<ref name='非线性动力学与混沌读书会：直线上的流'>https://pattern.swarma.org/study_group_issue/998</ref>]]

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-30T07:22:54Z

相信未来：/* 图形化稳定性判据 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

如图所示，左侧的不动点是稳定的，当 x 位于左侧不动点的左侧少许时，其速度向右；当 x 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

[[File:fixed_point_1.png|400px|thumb|right|稳定不动点和不稳定不动点，引自<ref name='非线性动力学与混沌读书会：直线上的流'>https://pattern.swarma.org/study_group_issue/998</ref>]]

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-30T07:19:20Z

相信未来：/* 不动点及其稳定性 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

如图所示，左侧的不动点是稳定的，当 x 位于左侧不动点的左侧少许时，其速度向右；当 x 位于它的右侧少许时，其速度向左。右侧不动点和左侧相反：向左侧或右侧扰动都会使系统状态远离右侧的不稳定不动点。

[[File:fixed_point_1.png|400px]]

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

文件:Fixed point 1.png

2025-11-30T07:04:57Z

相信未来：基于MsUpload的文件上传

基于MsUpload的文件上传

集智百科参与方式

2025-11-30T06:57:06Z

相信未来：/* 初级期 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[蓝梓杰]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[徐然]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|蓝梓杰
|佛山大学计算机科学本科生，研究兴趣：因果涌现、机器学习
|[[整合信息论]]
|2025.11.28
|
|进行中
|-
|2
|黄芸
|上海交通大学计算机专业博士生，研究兴趣：kolmogorov复杂度
|[[Koopman理论]]
|2025.11.09
|
|进行中
|-
|3
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|4
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|5
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|6
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|7
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|8
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|9
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|10
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|11
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|12
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|13
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|14
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|15
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|16
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[Koopman理论]]
|2024.01.01
|
|组内学生
|-
|17
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|18
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]
|2025.07.01
|
|组内学生
|-
|19
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|20
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|21
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|22
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|23
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|24
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|25
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|26
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|27
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|32
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|33
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|34
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]

集智百科参与方式

2025-11-30T06:56:31Z

相信未来：/* 词条百科组成员 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[徐然]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|蓝梓杰
|佛山大学计算机科学本科生，研究兴趣：因果涌现、机器学习
|[[整合信息论]]
|2025.11.28
|
|进行中
|-
|2
|黄芸
|上海交通大学计算机专业博士生，研究兴趣：kolmogorov复杂度
|[[Koopman理论]]
|2025.11.09
|
|进行中
|-
|3
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|4
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|5
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|6
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|7
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|8
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|9
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|10
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|11
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|12
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|13
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|14
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|15
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|16
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[Koopman理论]]
|2024.01.01
|
|组内学生
|-
|17
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|18
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]
|2025.07.01
|
|组内学生
|-
|19
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|20
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|21
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|22
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|23
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|24
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|25
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|26
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|27
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|32
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|33
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|34
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]

复杂地球系统的统计物理方法

2025-11-29T11:09:56Z

相信未来：建立内容为“复杂地球系统的统计物理方法”的新页面

复杂地球系统的统计物理方法

一维动力学

2025-11-23T11:13:37Z

相信未来：撤销相信未来（讨论）的版本47751

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-23T11:13:05Z

相信未来：

直线上的流”是一维自治[[动力系统]]的几何理论，它将[[微分方程]]的解转化为相空间中的轨迹流，为理解[[系统]]的长期行为提供了强大的定性分析框架。其[[核]]心在于通过向量场、不动点和稳定性分析，取代[[复杂]]的解析求解，并揭示了一维[[系统]]单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-23T11:11:13Z

相信未来：撤销相信未来（讨论）的版本47746

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-23T11:09:58Z

相信未来：

直线上的流”是一维自治[[动力系统]]的几何理论，它将[[微分方程]]的解转化为相空间中的轨迹流，为理解[[系统]]的长期行为提供了强大的定性分析框架。其[[核]]心在于通过向量场、不动点和稳定性分析，取代[[复杂]]的解析求解，并揭示了一维[[系统]]单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
[[动力系统理论]]起源于19世纪末期的亨利·[[庞加莱]]（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对[[微分方程]]定性研究的方法，确立了相空间、轨道与稳定性等[[核]]心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相[[图]]的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家[[李天岩]]（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着[[混沌]]''》，首次形式化了“[[混沌]]”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家[[罗伯特·梅]]伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其[[复杂]]的动力学结构，成为[[混沌理论]]的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' [[混沌]]的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着[[混沌理论]]的建立，使一维[[系统]]成为理解[[复杂]]动力学的[[核]]心模型。
此后，Devaney（1986）的教材推动了[[混沌理论]]在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维[[动力系统]]的研究与测[[度]]论、遍历理论及[[信息论]]进一步结合，出现了如不变测[[度]]、拓扑[[熵]]等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维[[系统]]视为[[复杂系统]]与[[混沌理论]]的基础模型，并拓展到多维[[系统]]与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维[[动力系统]]的思想被广泛应用于生物种群动力学、金融[[时间序列分析]]与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''[[逻辑斯谛方程]]（logistic equation）'''被认为是一维[[动力系统]]方法在种群生物学中的早期且经典的应用实例。
该模型以[[微分方程]]形式描述有限[[环]]境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为[[环]]境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态[[系统]]建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着[[动力系统理论]]在20世纪的发展，一维[[系统]]及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''[[混沌]]现象'''提供了标准框架，是研究高维[[系统]]、[[复杂网络]]以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维[[动力系统]]常作为入门模型，用于展示[[非线性系统]]的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* [[核]]心问题: 如何理解一阶自治[[微分方程]]<math>\dot{x}=f(x)</math>定义的[[系统]]之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将[[系统]]视为在一条直线（相空间）上流动的流体，函数定义了该流体的速[[度]]场（向量场）。

=主要内容=

==几何思维与向量场==

'''[[核]]心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速[[度]]。通过绘制 f(x) 相对于 x的[[图]]形，并在 x-轴上用箭头表示的方向和相对大小，从而草[[图]]出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为[[系统]]的速[[度]]函数或流函数。该方程描述了[[系统]]在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为[[系统]]演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速[[度]]。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的[[图]]像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得[[系统]]的'''相[[图]]'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处[[系统]]静止，箭头方向的变化可用于判断该点是[[吸引子]]、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对[[系统动力学]]的全局可视化理解。它能够在无需显式求解方程的情况下揭示[[系统]]的长期行为，对[[非线性系统]]、分岔与[[混沌]]等[[复杂]]现象的教学与研究尤为有效。
在现代[[动力系统理论]]中，这种几何化分析被视为理解低维[[系统动力学]]的基础，也是进一步研究高维[[系统]]与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在[[系统]]的映射下一直保持不动，因此也称其为[[系统]]的平衡解。

===[[图]]形化稳定性判据===

* 稳定不动点（[[吸引子]]/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺[[度]]：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

[[核]]心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比： [[系统]]行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治[[系统]]的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维[[系统]]不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常[[微分方程]]
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于[[近似]]求解轨道与模拟[[系统]]随时间的变化。在解析解难以获得时，这类方法是[[动力系统]]研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性[[系统]]。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常[[微分方程]]数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* [[近似]]求解[[微分方程]]的数值轨道；
* 绘制相[[图]]、[[吸引子]]与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索[[混沌]]行为及敏感依赖性。
相关方法在[[动力系统]]与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精[[度]]，对刚性[[系统]]和敏感[[系统]]的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精[[度]]。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精[[度]]与稳定性，是常用的中等精[[度]]方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（[[逻辑斯谛方程]]）===
'''[[逻辑斯谛方程]]'''（Logistic equation）是一种描述有限资源[[环]]境下种群增长的常[[微分方程]]，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近[[环]]境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
[[逻辑斯谛方程]]写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：[[环]]境承载量（carrying capacity）。

方程包含两个[[核]]心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
[[逻辑斯谛方程]]的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
[[逻辑斯谛方程]]具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，[[系统]]解均收敛至承载量 <math>K</math>，显示出[[吸引子]]行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-23T10:05:06Z

相信未来：/* RC电路分析 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-23T10:03:32Z

相信未来：/* RC电路分析 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|left|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-23T10:00:02Z

相信未来：/* 参考文献 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|left|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-23T09:59:39Z

相信未来：

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|left|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-23T09:59:05Z

相信未来：/* RC电路分析 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

文件:RC Series Filter (with V&I Labels).png

2025-11-23T03:28:24Z

相信未来：基于MsUpload的文件上传

基于MsUpload的文件上传

一维动力学

2025-11-23T03:27:11Z

相信未来：/* RC电路分析 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).png|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia rc circuit'>https://en.wikipedia.org/wiki/RC_circuit</ref>]]

= 参考文献 =
<references />

一维动力学

2025-11-23T03:20:37Z

相信未来：/* RC电路分析 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
[[文件:向量场表示示例.png|缩略图|thumb|向量场表示示例<math>\dot{x} = \frac{x}{2}\,\hat{\mathbf{i}} + \frac{y}{2}\,\hat{\mathbf{j}}</math> <br>
图片来源：https://math.libretexts.org/Bookshelves/Calculus/Calculus_(OpenStax)/16%3A_Vector_Calculus/16.01%3A_Vector_Fields]]

===几何诠释===
在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

'''数值积分方法'''（numerical integration methods）是通过将时间离散化，把常微分方程
<math>\frac{dx}{dt} = f(x,t)</math>
转化为代数更新步骤的技术，用于近似求解轨道与模拟系统随时间的变化。在解析解难以获得时，这类方法是动力系统研究中最常用的工具之一。<ref name="Burden2011">Burden, R. L., & Faires, J. D. (2011). ''Numerical Analysis'' (9th ed.). Brooks Cole.</ref>

数值积分方法通常可分为以下类别：
* '''显式单步方法（explicit one-step methods）'''：使用当前状态 <math>x_n</math> 推算 <math>x_{n+1}</math>，包括欧拉法、改进欧拉法和各类 Runge–Kutta 方法。
* '''多步方法（multistep methods）'''：利用多个历史点的信息，如 Adams–Bashforth 与 Adams–Moulton 方法。
* '''隐式方法（implicit methods）'''：下一步的值通过解方程获得，常用于刚性系统。
* '''自适应步长方法（adaptive methods）'''：自动调整步长以控制误差，如 Runge–Kutta–Fehlberg 与 Dormand–Prince 方法。

本条目介绍的 '''欧拉法'''、'''改进欧拉法''' 与 '''四阶龙格–库塔法（RK4）''' 均属于
'''显式单步数值积分方法'''，是常微分方程数值求解中最常见、最基础的一类方法。
<math>\frac{dx}{dt} = f(x,t)</math>。

=== 目的与应用 ===
数值积分方法主要用于：
* 近似求解微分方程的数值轨道；
* 绘制相图、吸引子与时间序列；
* 辅助研究稳定点、周期解与分岔；
* 探索混沌行为及敏感依赖性。
相关方法在动力系统与非线性科学中具有基础作用。<ref name="Strogatz2015">Strogatz, S. H. (2015). ''Nonlinear Dynamics and Chaos'' (2nd ed.). Westview Press.</ref>

=== 欧拉方法（Euler Method）===
'''欧拉方法'''是一阶显式方法，也是最基本的时间离散思想。其更新公式为：
<math>x_{n+1} = x_n + h\, f(x_n, t_n)</math>。<ref name="Sauer2017">Sauer, T. (2017). ''Numerical Analysis'' (3rd ed.). Pearson.</ref>

==== 特点 ====
欧拉法实现简单，但只有一阶精度，对刚性系统和敏感系统的稳定性较弱。<ref name="Hairer1993">Hairer, E., Nørsett, S., & Wanner, G. (1993). ''Solving Ordinary Differential Equations I: Nonstiff Problems''. Springer.</ref>

=== 改进欧拉法（Improved Euler / Heun 法）===
改进欧拉法属于二阶 Runge–Kutta 方法，通过两次斜率评估提高精度。<ref name="Butcher2016">Butcher, J. C. (2016). ''Numerical Methods for Ordinary Differential Equations'' (3rd ed.). Wiley.</ref>

预测：
<math>\tilde{x} = x_n + h f(x_n, t_n)</math>
校正：
<math>x_{n+1} = x_n + \frac{h}{2}\,[f(x_n,t_n) + f(\tilde{x}, t_n+h)]</math>

==== 特点 ====
相比欧拉法，改进欧拉法具有更好的精度与稳定性，是常用的中等精度方法。

=== 四阶龙格–库塔法（Runge Kutta Method - RK4）===
'''RK4''' 是最常用的固定步长高阶方法，被广泛用于工程与科学计算。<ref name="Butcher2016" />

其更新公式为：
<math>
\begin{aligned}
k_1 &= f(x_n,t_n),\\
k_2 &= f(x_n + \tfrac{h}{2}k_1, t_n + \tfrac{h}{2}),\\
k_3 &= f(x_n + \tfrac{h}{2}k_2, t_n + \tfrac{h}{2}),\\
k_4 &= f(x_n + hk_3, t_n + h),\\
x_{n+1} &= x_n + \frac{h}{6}(k_1 + 2k_2 + 2k_3 + k_4).
\end{aligned}
</math>

==== 特点 ====
RK4 具有四阶精度，通常在计算成本与精度之间提供良好平衡。<ref name="Hairer1993" />

=== 方法比较 ===

{| class="wikitable"
! 方法
! 精度
! 每步计算成本
! 优点
! 缺点
|-
| 欧拉法
| 一阶
| 1 次函数评估
| 简单
| 精度低、稳定性弱
|-
| 改进欧拉法
| 二阶
| 2 次评估
| 精度与稳定性提升
| 普适性有限
|-
| RK4
| 四阶
| 4 次评估
| 高精度、广泛使用
| 计算量较高
|}

=== 在动力系统研究中的应用 ===
数值积分方法在动力系统中发挥着基础性作用，是分析轨迹结构与长期行为的重要工具。它们常用于绘制相轨迹、生成时间序列、研究周期轨道和吸引子的稳定性，以及在参数变化下分析分岔结构。对于大多数非线性系统而言，解析解通常难以获得，因此依靠数值方法来探索系统的全局动力学特征，包括极限环、准周期轨道以及混沌吸引子等现象，是研究中的常见做法。数值方法还可用于估计 Lyapunov 指数、构建 Poincaré 切片，进一步理解系统的混沌特性。尽管它们提供了对系统行为的有效近似，但结果仍依赖于步长、稳定性条件及算法阶数，在研究敏感依赖性的混沌系统时尤其需要谨慎解释。<ref name="Devaney2003">Devaney, R. L. (2003). ''An Introduction to Chaotic Dynamical Systems'' (2nd ed.). Westview Press.</ref>

==典型应用==

===种群增长模型（逻辑斯谛方程）===
'''逻辑斯谛方程'''（Logistic equation）是一种描述有限资源环境下种群增长的常微分方程，由比利时数学家皮埃尔·弗朗索瓦·费赫尔胡斯特（Pierre-François Verhulst）于 1838 年提出。该方程刻画了种群数量在早期呈指数增长，在资源限制下逐渐趋缓，并最终接近环境承载量的典型生物动力学模式。<ref name="Verhulst1838">Verhulst, P.-F. (1838). "Notice sur la loi que la population poursuit dans son accroissement". ''Correspondance Mathématique et Physique''.</ref>

==== 数学形式 ====
逻辑斯谛方程写作：
<math>
\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right),
</math>

其中：
* <math>N(t)</math>：时间 <math>t</math> 的种群数量；
* <math>r</math>：内禀增长率；
* <math>K</math>：环境承载量（carrying capacity）。

方程包含两个核心因素：指数增长项 <math>rN</math> 与抑制增长的非线性项 <math>1 - N/K</math>。
<ref name="Murray2002">Murray, J. D. (2002). ''Mathematical Biology I: An Introduction'' (3rd ed.). Springer.</ref>

==== 解的形式 ====
[[文件:Logistics Equation - Graph.png|缩略图|逻辑斯谛方程 <br>
图片来源： https://byjus.com/maths/logistic-function/]]
逻辑斯谛方程的解析解为：
<math>
N(t)=\frac{K}{1 + A e^{-rt}},
</math>

其中常数 <math>A</math> 由初始条件给出：
<math>
A = \frac{K - N(0)}{N(0)}.
</math>

该解展示出典型的 S 型曲线（sigmoid curve）：初期快速、随后放缓，并最终趋于承载量 <math>K</math>。
<ref name="Edelstein2005">Edelstein-Keshet, L. (2005). ''Mathematical Models in Biology''. SIAM.</ref>

==== 动力学性质 ====
逻辑斯谛方程具有两个平衡点：
* <math>N = 0</math>（不稳定）
* <math>N = K</math>（稳定）

对任意 <math>N(0) > 0</math>，系统解均收敛至承载量 <math>K</math>，显示出吸引子行为。
<ref name="Murray2002" />

==== 离散形式：逻辑斯谛映射 ====
逻辑斯谛方程的著名离散版本为 '''逻辑斯谛映射'''（logistic map）：
<math>
x_{n+1} = r x_n (1 - x_n)
</math>

其表现从稳定到周期、再到混沌，是一维动力学与混沌理论的核心示例。
<ref name="Edelstein2005" />

==== 历史背景 ====
Verhulst 在 1838 年提出该模型，为描述人口增长提供了比马尔萨斯模型更现实的替代。他将资源与竞争因素引入数学模型，奠定了现代生物数学的重要基础。
<ref name="Verhulst1838" />

==== 应用 ====
逻辑斯谛方程广泛用于生态学（种群增长）、生物学（细胞分裂、肿瘤增长）、传染病建模、社会科学（技术扩散）以及工程系统中的反馈动力学。其 S 型曲线也用于统计建模，如逻辑斯谛回归。
<ref name="Murray2002" />
===RC电路分析===

[[文件:RC_Series_Filter_(with_V&I_Labels).svg|300x500像素|thumb|right|串联RC电路，引自<ref name='wikipedia'>https://en.wikipedia.org/wiki/RC_circuit</ref>

= 参考文献 =
<references />

一维动力学

2025-11-16T10:30:01Z

相信未来：/* 线性稳定性分析（定量方法） */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

* 起源：思想萌芽于19世纪，与亨利·庞加莱开创的微分方程定性理论密切相关。庞加莱首次强调应从全局和几何的角度研究解的行为，而非仅仅寻求解析解。

* 经典应用：皮埃尔·弗朗索瓦·韦吕勒于1838年提出的逻辑斯谛方程，是该方法在种群生物学中的早期且经典的应用实例。

* 现代定位：随着动力系统理论在20世纪的发展，该几何方法成为分析低维系统的基础和教学起点，是理解高阶非线性和混沌现象的基石。

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.F. (1838). "Notice sur la loi que la population poursuit dans son accroissement." ''Correspondance Mathématique et Physique'', '''10''', 113–121.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
===几何诠释===

在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>
===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>。
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点。
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间。

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

* 目的：作为图形和分析方法的补充，用于近似求解和可视化。
* 欧拉方法： <math>x_{n+1}=x_n + f(x_n)\Delta t</math>，概念简单，精度低。
* 如改进欧拉法（二阶）和四阶龙格-库塔法（高精度标准），通过多步评估提高精度

==典型应用==

===种群增长模型（逻辑斯谛方程）===

===RC电路分析===

= 参考文献 =
<references />

一维动力学

2025-11-16T10:27:47Z

相信未来：/* 线性稳定性分析（定量方法） */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

* 起源：思想萌芽于19世纪，与亨利·庞加莱开创的微分方程定性理论密切相关。庞加莱首次强调应从全局和几何的角度研究解的行为，而非仅仅寻求解析解。

* 经典应用：皮埃尔·弗朗索瓦·韦吕勒于1838年提出的逻辑斯谛方程，是该方法在种群生物学中的早期且经典的应用实例。

* 现代定位：随着动力系统理论在20世纪的发展，该几何方法成为分析低维系统的基础和教学起点，是理解高阶非线性和混沌现象的基石。

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.F. (1838). "Notice sur la loi que la population poursuit dans son accroissement." ''Correspondance Mathématique et Physique'', '''10''', 113–121.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
===几何诠释===

在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>
===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>
* 稳定性判据：若 <math>f'(x^*) > 0</math>，该不动点是稳定不动点；若 <math>f'(x^*) < 0</math>，该不动点是不稳定不动点
* 特征时间尺度：<math>\displaystyle \frac{1}{|f'(x^*)|}</math> 为 <math>x(t)</math> 在不动点 <math>x^*</math> 邻域内发生显著变化的时间

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

* 目的：作为图形和分析方法的补充，用于近似求解和可视化。
* 欧拉方法： <math>x_{n+1}=x_n + f(x_n)\Delta t</math>，概念简单，精度低。
* 如改进欧拉法（二阶）和四阶龙格-库塔法（高精度标准），通过多步评估提高精度

==典型应用==

===种群增长模型（逻辑斯谛方程）===

===RC电路分析===

= 参考文献 =
<references />

一维动力学

2025-11-16T09:55:56Z

相信未来：/* 不动点的定义 */

直线上的流”是一维自治动力系统的几何理论，它将微分方程的解转化为相空间中的轨迹流，为理解系统的长期行为提供了强大的定性分析框架。其核心在于通过向量场、不动点和稳定性分析，取代复杂的解析求解，并揭示了一维系统单调性的根本约束

=历史=

* 起源：思想萌芽于19世纪，与亨利·庞加莱开创的微分方程定性理论密切相关。庞加莱首次强调应从全局和几何的角度研究解的行为，而非仅仅寻求解析解。

* 经典应用：皮埃尔·弗朗索瓦·韦吕勒于1838年提出的逻辑斯谛方程，是该方法在种群生物学中的早期且经典的应用实例。

* 现代定位：随着动力系统理论在20世纪的发展，该几何方法成为分析低维系统的基础和教学起点，是理解高阶非线性和混沌现象的基石。

== 发展历程 ==
'''起源（19世纪末至20世纪中期）'''
动力系统理论起源于19世纪末期的亨利·庞加莱（Henri Poincaré）的研究，他在《''天体力学新方法''》（1892）中提出了对微分方程定性研究的方法，确立了相空间、轨道与稳定性等核心概念。<ref name="Poincare1892">Poincaré, H. (1892). ''Les Méthodes Nouvelles de la Mécanique Céleste.'' Paris: Gauthier-Villars.</ref>
此时期的一维动力学研究主要集中在平衡点的稳定性与相图的定性结构上。

'''数值探索与理论形成（1950年代至1970年代）'''
随着电子计算机的普及，研究者得以直接观察非线性方程的数值行为。
1975年，数学家李天岩（T.Y. Li）与约克（J.A. Yorke）发表论文《''周期三意味着混沌''》，首次形式化了“混沌”这一概念。<ref name="LiYorke1975">Li, T.Y. & Yorke, J.A. (1975). Period three implies chaos. ''The American Mathematical Monthly'', 82(10), 985–992.</ref>
几乎同时，生态学家罗伯特·梅伊（Robert May）在研究种群模型时发现，一维 logistic 映射
:<math>x_{n+1} = r x_n (1 - x_n)</math>
在参数变化时表现出极其复杂的动力学结构，成为混沌理论的经典案例。<ref name="May1976">May, R.M. (1976). Simple mathematical models with very complicated dynamics. ''Nature'', 261(5560), 459–467.</ref>

''' 混沌的发现与普适性（1970年代后期至1980年代） '''
Feigenbaum 通过数值与分析研究发现，不同非线性映射在分岔过程中呈现出相同的比例常数（即费根鲍姆常数 δ ≈ 4.6692…），揭示了普适性（universality）原理。<ref name="Feigenbaum1978">Feigenbaum, M.J. (1978). Quantitative universality for a class of nonlinear transformations. ''Journal of Statistical Physics'', 19(1), 25–52.</ref>
这些成果标志着混沌理论的建立，使一维系统成为理解复杂动力学的核心模型。
此后，Devaney（1986）的教材推动了混沌理论在数学与工程教育中的传播。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

''' 理论成熟与现代发展（1990年代至今） '''
进入1990年代后，一维动力系统的研究与测度论、遍历理论及信息论进一步结合，出现了如不变测度、拓扑熵等概念的深入研究。
现代教材如 Strogatz（1994）与 Katok & Hasselblatt（1995）将一维系统视为复杂系统与混沌理论的基础模型，并拓展到多维系统与应用领域。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref><ref name="Katok1995">Katok, A. & Hasselblatt, B. (1995). ''Introduction to the Modern Theory of Dynamical Systems.'' Cambridge University Press.</ref>
如今，一维动力系统的思想被广泛应用于生物种群动力学、金融时间序列分析与神经网络模型等领域。<ref name="Ott2002">Ott, E. (2002). ''Chaos in Dynamical Systems.'' 2nd ed. Cambridge University Press.</ref>

== 经典应用 ==
皮埃尔·弗朗索瓦·韦吕勒（Pierre François Verhulst）于1838年提出的'''逻辑斯谛方程（logistic equation）'''被认为是一维动力系统方法在种群生物学中的早期且经典的应用实例。
该模型以微分方程形式描述有限环境中种群增长的过程：
:<math>\frac{dN}{dt} = rN\left(1 - \frac{N}{K}\right)</math>
其中，<math>N</math> 表示种群数量，<math>r</math> 为内禀增长率，<math>K</math> 为环境承载量（carrying capacity）。
该方程最早用于解释人口增长的自我限制现象，后来成为非线性动力学和生态系统建模中的基本模型之一。<ref name="Verhulst1838">Verhulst, P.F. (1838). "Notice sur la loi que la population poursuit dans son accroissement." ''Correspondance Mathématique et Physique'', '''10''', 113–121.</ref>

== 现代定位 ==
随着动力系统理论在20世纪的发展，一维系统及其几何分析方法成为理解低维非线性动力学的基础。
该理论为分析'''稳定性'''、'''分岔'''与'''混沌现象'''提供了标准框架，是研究高维系统、复杂网络以及随机动力学的重要教学与理论起点。
在现代数学教育与物理建模中，一维动力系统常作为入门模型，用于展示非线性系统的典型特征和定性分析思路。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>

=简介=

* 核心问题: 如何理解一阶自治微分方程<math>\dot{x}=f(x)</math>定义的系统之所有可能长期行为？

* 范式转变: 倡导从寻求解析解的“公式导向”思维，转向基于向量场的“几何导向”定性思维。

* 基本比喻: 将系统视为在一条直线（相空间）上流动的流体，函数定义了该流体的速度场（向量场）。

=主要内容=

==几何思维与向量场==

'''核心公式''' <br>

<math>\dot{x}=f(x)</math>

'''几何诠释''' <br>

将t视为时间，x视为位置，<math>\dot{x}</math>视为速度。通过绘制 f(x) 相对于 x的图形，并在 x-轴上用箭头表示的方向和相对大小，从而草图出向量场

'''方法优势''' <br>

与复杂且不直观的解析解相比，向量场提供了对系统动态一目了然的全局视野。

===核心公式===
在一维动力系统的分析中，'''几何思维'''（geometric thinking）和'''向量场表示'''（vector field representation）构成了理解系统动态的基本方法之一。系统的一般形式可写作：
:<math>\dot{x} = f(x)</math>
其中，<math>\dot{x}</math> 表示状态变量 <math>x</math> 关于时间 <math>t</math> 的导数，<math>f(x)</math> 为系统的速度函数或流函数。该方程描述了系统在相空间（一维情况下为实数轴）中的时间演化规律。
===几何诠释===

在几何视角下，时间 <math>t</math> 被视为系统演化的参数，<math>x</math> 表示位置或状态，而 <math>\dot{x}</math> 则代表相点沿相线运动的速度。通过绘制 <math>f(x)</math> 相对于 <math>x</math> 的图像，并在 <math>x</math>-轴上以箭头指示运动方向及相对大小，可以获得系统的'''相图'''（phase portrait）或'''方向场'''（direction field）。
这种几何化方法能清晰地揭示平衡点的位置与稳定性：在 <math>f(x)=0</math> 处系统静止，箭头方向的变化可用于判断该点是吸引子、排斥子还是半稳定点。<ref name="Strogatz1994">Strogatz, S.H. (1994). ''Nonlinear Dynamics and Chaos.'' Reading, MA: Perseus Books.</ref>
===方法优势===

与依赖解析解或符号运算的传统分析相比，向量场方法提供了对系统动力学的全局可视化理解。它能够在无需显式求解方程的情况下揭示系统的长期行为，对非线性系统、分岔与混沌等复杂现象的教学与研究尤为有效。
在现代动力系统理论中，这种几何化分析被视为理解低维系统动力学的基础，也是进一步研究高维系统与非线性动力学现象的出发点。<ref name="Devaney1986">Devaney, R.L. (1986). ''An Introduction to Chaotic Dynamical Systems.'' 2nd ed. Addison-Wesley.</ref>

==不动点及其稳定性==

===不动点的定义===

对于映射 <math>f</math>, 满足 <math>f(x^*)=0</math>的点 <math>x^*</math> 成为 <math>f</math> 的不动点。可以验证对不动点 <math>x^*</math>，有 <math>f(f(x^*)) = f(x^*) = x^*</math>。直观上看，这个点在系统的映射下一直保持不动，因此也称其为系统的平衡解。

===图形化稳定性判据===

* 稳定不动点（吸引子/汇）：向量场箭头从两边指向该点。

* 不稳定不动点（排斥子/源）：向量场箭头从该点指向两边。

* 半稳定不动点：从一侧吸引，从另一侧排斥。

===线性稳定性分析（定量方法）===

* 公式：在不动点<math>x^*</math>附近定义扰动<math>u(t)=x(t)-x^*</math>,其线性化方程为<math>\dot{u} \approx f'(x^*)u</math>
* 稳定性判据：
* 特征时间尺度：

===势函数===

核心定义：势函数<math>V(x)</math>由<math>f(x)=-\frac{dV}{dx}</math>定义。

物理类比：系统行为等价于一个过阻尼粒子在势能景观<math>V(x)</math>中的运动。粒子总是向势能减小 (<math>\frac{dV}{dt}\leq 0</math>) 的方向运动

稳定性对应：

* 稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极小值（势能谷）

* 不稳定不动点 <math>\leftrightarrow</math> <math>V(x)</math>的局部极大值（势能峰）

==性质==

===单调性===

一维自治系统的解 x(t) 必须是时间t的单调函数（或为常数）

===振荡的不可能性===

作为单调性的直接推论，一维系统不可能出现周期解、超调或阻尼振荡。这是由实线的拓扑结构所决定的

===存在性与唯一性===

定理：若<math>f(x)</math>及其导数<math>f'(x)</math> 在包含初始点<math>x_0</math>的开区间上连续，则解在<math>t=0</math>的某个邻域内存在且唯一。

==数值积分方法==

* 目的：作为图形和分析方法的补充，用于近似求解和可视化。
* 欧拉方法： <math>x_{n+1}=x_n + f(x_n)\Delta t</math>，概念简单，精度低。
* 如改进欧拉法（二阶）和四阶龙格-库塔法（高精度标准），通过多步评估提高精度

==典型应用==

===种群增长模型（逻辑斯谛方程）===

===RC电路分析===

= 参考文献 =
<references />

因果涌现

2025-11-09T11:13:17Z

相信未来：撤销相信未来（讨论）的版本47530

{{#seo:
|keywords=因果涌现,涌现,因果,人工智能,因果表示学习,世界模型
|description=这是一个全面介绍因果涌现理论的词条，包括了多种定量刻画因果涌现的方法，并将因果涌现理论与人工智能中的因果表示学习等理论进行了全面比较。
}}
'''因果涌现（causal emergence）'''是指动力系统中的一类特殊的[[涌现]]现象，即系统在宏观尺度会展现出更强的因果特性。特别的，对于一类[[马尔科夫动力系统]]来说，在对其状态空间进行适当的[[粗粒化]]以后，所形成的宏观动力学会展现出比微观更强的因果特性，那么称该系统发生了因果涌现<ref name=":0">Hoel E P, Albantakis L, Tononi G. Quantifying causal emergence shows that macro can beat micro[J]. Proceedings of the National Academy of Sciences, 2013, 110(49): 19790-19795.</ref><ref name=":1">Hoel E P. When the map is better than the territory[J]. Entropy, 2017, 19(5): 188.</ref>。同时，因果涌现理论也是一种利用因果效应度量来量化复杂系统中的涌现现象的理论。

==历史==
===相关概念的发展===
因果涌现理论是一种试图用基于因果的定量研究方法，从现象学的角度回答什么是涌现这一问题的理论，因此因果涌现的发展与人们对涌现和因果等概念的认识和发展密切相关。

====涌现====
[[涌现]]一直是[[复杂系统]]中的一个重要特性，是许多关于系统[[复杂性]]，以及宏微观之间关系讨论的核心概念<ref>Meehl P E, Sellars W. The concept of emergence[J]. Minnesota studies in the philosophy of science, 1956, 1239-252.</ref><ref name=":7">Holland J H. Emergence: From chaos to order[M]. OUP Oxford, 2000.</ref>。涌现可以简单理解为整体大于部分之和，即整体上展现出构成它的个体所不具备的新特性<ref>Anderson P W. More is different: broken symmetry and the nature of the hierarchical structure of science[J]. Science, 1972, 177(4047): 393-396.</ref>。尽管学者们在各个领域都指出存在涌现的现象<ref name=":7" /><ref>Holland, J.H. Hidden Order: How Adaptation Builds Complexity; Addison Wesley Longman Publishing Co., Inc.: Boston, MA, USA, 1996.</ref>，如鸟类的[[群体行为]]<ref>Reynolds, C.W. Flocks, herds and schools: A distributed behavioral model. In Proceedings of the 14th Annual Conference on Computer Graphics and Interactive Techniques, Anaheim, CA, USA, 27–31 July 1987; pp. 25–34.</ref>，大脑中的[[意识]]形成，以及大语言模型的[[涌现]]能力<ref>Wei, J.; Tay, Y.; Bommasani, R.; Raffel, C.; Zoph, B.; Borgeaud, S.; Yogatama, D.; Bosma, M.; Zhou, D.; Metzler, D.; et al. Emergent abilities of large language models. arXiv 2022, arXiv:2206.07682.</ref>，但目前还没有对这一现象普遍认可的统一理解。以往对涌现的研究大多停留在定性的阶段，如 Bedau et al<ref name=":9">Bedau, M.A. Weak emergence. Philos. Perspect. 1997, 11, 375–399.</ref><ref name='downward'>Bedau, M. Downward causation and the autonomy of weak emergence. Principia Int. J. Epistemol. 2002, 6, 5–50. </ref>对涌现进行了分类研究，即将涌现分为名义涌现<ref name=":10">Harré, R. The Philosophies of Science; Oxford University Press: New York, NY, USA , 1985.</ref><ref name=":11">Baas, N.A. Emergence, hierarchies, and hyperstructures. In Artificial Life III, SFI Studies in the Science of Complexity, XVII; Routledge: Abingdon, UK, 1994; pp. 515–537.</ref>、弱涌现<ref name=":9" /><ref>Newman, D.V. Emergence and strange attractors. Philos. Sci. 1996, 63, 245–261.</ref>与强涌现<ref name=":12">Kim, J. 'Downward causation' in emergentism and nonreductive physicalism. In Emergence or Reduction; Walter de Gruyter: Berlin, Germany, 1992; pp. 119–138. </ref><ref name=":13">O'Connor, T. Emergent properties. Am. Philos. Q. 1994, 31, 91–104</ref>。

* [[名义涌现]]可以理解为能被宏观层级所拥有，而微观层次没有的属性和模式，例如若干像素构成的圆这一形状就是一种名义涌现<ref name=":10" /><ref name=":11" />。

* [[弱涌现]]是指宏观层面的属性或过程是通过单个组件之间以复杂相互作用的方式产生的，或者弱涌现也可以被理解为原则上能够被计算机模拟的特性。由于[[计算不可约性]]原理，弱涌现特性即使能够被模拟，但仍然不能轻易地简化为微观层面的属性。对于弱涌现来说，其模式产生的原因可能来自微观和宏观两个层面，因此，涌现的因果关系可能与微观因果关系并存。

* 而对于[[强涌现]]来说存在很多的争论，它指的是宏观层面的属性，原则上不能简化为微观层面的属性，包括个体之间的相互作用。此外，Jochen Fromm 进一步将强涌现解释为[[向下因果]]的[[因果效应]]<ref>Fromm, J. Types and forms of emergence. arXiv 2005, arXiv:nlin/0506028</ref>。[[向下因果]]关系是指从宏观层面向微观层面的[[因果力]]。然而，关于[[向下因果]]关系本身的概念存在许多争议<ref>Bedau, M.A.; Humphreys, P. Emergence: Contemporary Readings in Philosophy and Science; MIT Press: Cambridge, MA, USA, 2008. </ref><ref name='syn_core_down_causation'>Yurchenko SB. Can there be a synergistic core emerging in the brain hierarchy to control neural activity by downward causation?. Authorea Preprints. 2025 Sep 3.</ref>。

由这些早期研究可以看出，涌现与因果有着天然的深刻联系。

====因果及其度量====
所谓的因果就是指事件彼此之间的相互影响。因果不等于相关，这体现为，不仅当 A 发生时 B 会发生，而且如果 A 不发生，则 B 也不发生。人们只有通过干预事件 A，从而考察 B 的结果，才能探测 A 与 B 是否存在着因果关系。

随着近年来[[因果科学]]得到了进一步的发展，使得人们可以用数学框架来量化因果，[[因果]]描述的是一个动力学过程的[[因果效应]]<ref name=":14">Pearl J. Causality[M]. Cambridge university press, 2009.</ref><ref>Granger C W. Investigating causal relations by econometric models and cross-spectral methods[J]. Econometrica: journal of the Econometric Society, 1969, 424-438.</ref><ref name=":8">Pearl J. Models, reasoning and inference[J]. Cambridge, UK: CambridgeUniversityPress, 2000, 19(2).</ref>。Judea Pearl<ref name=":8" />利用[[概率图模型]]来描述因果相互作用。Pearl 用不同的模型来区分并量化了三个层次的因果关系，这里我们比较关注[[因果阶梯]]中的第二层：对输入分布做[[干预]]。此外，由于发现的因果关系背后的不确定性和模糊性，测量两个变量之间的因果效应程度是另一个重要问题。许多独立的历史研究已经解决了因果关系测量的问题。这些测量方法包括[[休谟]]的[[恒定连接概念]]<ref>Spirtes, P.; Glymour, C.; Scheines, R. Causation Prediction and Search, 2nd ed.; MIT Press: Cambridge, MA, USA, 2000.</ref>和基于值函数的方法<ref>Chickering, D.M. Learning equivalence classes of Bayesian-network structures. J. Mach. Learn. Res. 2002, 2, 445–498.</ref>，Eells 和 Suppes 的概率性因果度量<ref>Eells, E. Probabilistic Causality; Cambridge University Press: Cambridge, UK, 1991; Volume 1.</ref><ref>Suppes, P. A probabilistic theory of causality. Br. J. Philos. Sci. 1973, 24, 409–410.</ref>，以及 Judea Pearl 的[[因果度量]]指标等<ref name=":14" />。

====因果涌现====
如前所述，涌现和因果是相互联系的。具体来说，联系存在于以下方面：一方面，涌现可以理解为因果效应的一种，刻画了[[复杂系统 Complex Systems|复杂系统]]中各组成部分之间复杂的[[非线性相互作用]]；另一方面，涌现出的特性也会对复杂系统中的单个个体产生因果作用。此外，以往人们习惯于将宏观因素归因为微观因素的影响，但是宏观涌现出来的模式，往往无法找到微观的归因，所以也就无法找到对应的原因。由此可见，涌现与因果存在着深刻的联系。再者，虽然我们有了对[[涌现]]的定性分类，然而却无法定量的刻画涌现的发生。因此，我们可以借助因果来定量刻画涌现的发生。

2013年，美国理论神经生物学家 [[Erik hoel|Erik Hoel]] 尝试将因果引入涌现的衡量，提出了因果涌现这一概念，并且使用[[有效信息]]（Effective Information，简称 EI）来量化系统动力学的因果性强弱<ref name=":0" /><ref name=":1" />。因果涌现可以描述为：当一个系统在宏观尺度相较其在微观尺度上具有更强的因果效应的时候，就产生了因果涌现。因果涌现很好的刻画了系统宏观和微观状态之间的区别与联系，同时把[[人工智能]]中的因果和复杂系统中的涌现这两个核心概念结合起来，因果涌现也为学者回答一系列的哲学问题提供了一个定量化的视角。比如，可以借助因果涌现框架讨论生命系统或者社会系统中的自上而下的因果特性。这里的自上而下因果指的是[[向下因果]]（downward causation）<ref name="downward" />，表示存在宏观到微观的因果效应。例如，壁虎断尾现象，当遇到危险时，壁虎不管自己的尾巴怎样，直接将它断掉。这里整体是因，尾巴是果，那么就存在一个整体指向部分的[[因果力]]。

===早期量化涌现工作===
早期已经有一些相关的工作尝试对涌现进行定量的分析。Crutchfield 等<ref name=":3">J. P. Crutchfield, K. Young, Inferring statistical complexity, Physical review letters 63 (2) (1989) 105.</ref>提出的[[计算力学]]理论考虑了[[因果态]]，该方法是在状态空间划分的基础上展开相关概念讨论的，与 Erik Hoel 的因果涌现理论存在着很大的相似性。而 Seth 等人则提出了 G-emergence 理论<ref name=":4">A. K. Seth, Measuring emergence via nonlinear granger causality., in: alife, Vol. 2008, 2008, pp. 545–552.</ref>利用[[格兰杰因果关系]]来量化涌现。

====计算力学====
[[计算力学]]理论试图用定量的框架来表述涌现的因果规律，即如何从一个随机过程中构造一种粗粒化的[[因果模型]]，从而使得这个模型可以产生已观测的随机过程的时间序列<ref name=":3" />。

这里的随机过程可以用 <math>\overleftrightarrow{s}</math> 表示，基于时间 <math>t</math> 可以将[[随机过程]]分为两个部分，时间 <math>t</math> 前的过程 <math>\overleftarrow{s_t}</math>，以及时间 <math>t</math> 后的过程 <math>\overrightarrow{s_t}</math> 。计算力学将所有可能的历史过程 <math>\overleftarrow{s_t}</math> 形成的集合记作 <math> \overleftarrow{S}</math>，所有未来的过程 <math>\overrightarrow{s_t}</math> 形成的集合记作 <math> \overrightarrow{S}</math>。

计算力学的目标是建立一个模型，希望以一定的准确度对观察到的随机序列进行重建和预测。然而，序列的随机性使我们无法获得完美的重建，因此，我们需要一个粗粒化的映射来捕获随机序列中的有序结构。这个粗粒化映射可以用一个划分函数 <math>\eta: \overleftarrow{S}→\mathcal{R}</math> 来刻画，该函数可以将 <math>\overleftarrow{S}</math> 划分为相互排斥的若干子集（所有的互斥子集形成全集），形成的集合记为 <math>\mathcal{R}</math>。

计算力学将任意的子集 <math>R \in \mathcal{R}</math> 看作是一个宏观状态。对于一组宏观状态集合 <math>\mathcal{R}</math>，计算力学使用香农熵定义了指标 <math>C_\mu</math>，用来衡量这组状态的统计复杂性。其中:

<math>
C_\mu(\mathcal{R})\triangleq -\sum_{\rho\in \mathcal{R}} P(\mathcal{R}=\rho)\log_2 P(\mathcal{R}=\rho)
</math>

可以证明，当使用一组状态构建预测模型时，这组状态的统计复杂性就近似等价于预测模型的大小。

此外，为了使宏观状态集在预测性和简约性之间取得最佳平衡，计算力学定义了[[因果等价]]的概念，如果 <math>P\left ( \overrightarrow{s}|\overleftarrow{s}\right )=P\left ( \overrightarrow{s}|{\overleftarrow{s}}'\right )</math>，则 <math>\overleftarrow{s}</math> 和 <math>{\overleftarrow{s}}'</math> 是因果等价的，这种等价关系可以将所有的历史过程划分为等价类，并将它们定义为[[因果态]]。历史过程 <math>\overleftarrow{s}</math> 的所有因果态可以被一个映射 <math>\epsilon \left ( \overleftarrow{s} \right )</math> 刻画，这里 <math>\epsilon: \overleftarrow{\mathcal{S}}\rightarrow 2^{\overleftarrow{\mathcal{S}}}</math> 是一个将历史过程 <math>\overleftarrow{s}</math> 映射成因果态 <math>\epsilon(\overleftarrow{s})\in 2^{\overleftarrow{\mathcal{S}}}</math> 的函数。

进一步，我们可以将两个[[因果态]] <math>S_i</math> 和 <math>S_j</math> 之间的因果转移概率记为 <math>T_{ij}^{\left ( s \right )}</math>，它类似于一个粗粒化后的宏观动力学。而一个随机过程的 <math>\epsilon</math>-machine 被定义为有序对 <math>\left \{ \epsilon,T \right \}</math>，这是一种模式发现机器，可以通过学习 <math>\epsilon</math> 和 <math>T</math> 函数来实现预测。这相当于定义了所谓的涌现因果的识别问题，这里的 <math>\epsilon</math>-machine 就是一个尝试发现数据中的涌现因果的机器。

计算力学可以证明，通过 <math>\epsilon</math>-machine 得到的因果态具有'''最大可预测性'''、'''最小统计复杂度'''以及'''最小随机性'''这三个重要特性，并验证了其在某种意义上是最优的。此外，作者引入了一种分层机器重构算法，可以从观测数据中计算因果态和 <math>\epsilon</math>-machine。尽管该算法可能并不适用于所有场景，但作者以混沌动力学、隐马尔科夫模型和元胞自动机为例，给出了数值计算结果和相应的机器重构路径 <ref name="The_calculi_of_emergence">{{cite journal|author1=Crutchfield, J.P|title=The calculi of emergence: computation, dynamics and induction|journal=Physica D: Nonlinear Phenomena|year=1994|volume=75|issue=1-3|page=11-54|url=https://www.sciencedirect.com/science/article/abs/pii/0167278994902739}}</ref>。

虽然原始的计算力学没有给出涌现的明确定义和定量理论，但是随后一些研究人员进一步推进了该理论的发展，Crutchfield 等<ref name="The_calculi_of_emergence"></ref>在自己的工作中讨论了计算力学与涌现的关系，如果过程 <math>{\overleftarrow{s}}'</math> 比过程 <math>\overleftarrow{s}</math> 具有更高的预测效率，那么过程 <math>{\overleftarrow{s}}'</math> 发生了涌现，其中一个过程的预测效率 <math>e</math> 被定义为其过剩熵与其统计复杂度之比（<math>e=\frac{E}{C_{\mu}}</math>），<math>e</math> 是一个介于 0 到 1 之间的实数，我们可以把它看作是存储在过程中的历史记忆的一部分。在两种情况下，<math>C_{\mu}=0</math>，一种是这个过程是完全统一和确定的；另一种是它是独立同分布的，在这两种情况下都不可能有任何有趣的预测，所以我们设 <math>e=0</math>。同时作者解释说，涌现可以被理解为一个动力学过程，在这个过程中，一个模式获得了能适应不同环境的能力。

因果涌现框架与计算力学存在很多相似之处，所有历史过程 <math>\overleftarrow{s}</math> 可以看作是微观状态，所有 <math>R \in \mathcal{R} </math> 对应宏观状态，函数 <math>\eta </math> 可以理解为一种可能的粗粒化函数，因果态 <math>\epsilon \left ( \overleftarrow{s} \right )</math> 是一种特殊状态，它至少可以与微观状态 <math>\overleftarrow{s}</math> 具有相同的预测能力，因此，<math>\epsilon </math> 可以理解为一种有效的[[粗粒化]]策略，因果转移 <math>T </math> 对应于有效的宏观动力学。最小随机性特征表征了宏观动力学的确定性，在因果涌现中可以用[[有效信息]]衡量。

====G-emergence====
G-emergence 理论是 Seth 于 2008 年提出的，最早从因果的角度对[[涌现]]进行定量量化的研究之一<ref name=":4" />，基本思想是用非线性[[格兰杰因果关系|格兰杰因果]]来量化复杂系统中的[[弱涌现]]。

具体来说，如果我们使用二元自回归模型进行预测，当只存在两个变量 A 和 B 时，[[自回归模型]]存在两个等式，每个等式对应其中一个变量，每个变量的当前时刻值都是由它自身和另外一个变量在滞后一定时间范围内的数值构成。另外，该模型还会计算残差，这里残差可以理解为预测误差，可以用来衡量每一个等式的格兰杰因果效应程度（称为 G-causality）。B 作为 A 的格兰杰因（G-cause）的程度通过两个残差方差之比的对数来计算，其中一个是在省略B时A的自回归模型的残差，另一个是全预测模型（包含了 A 和 B）的残差。此外，作者还定义了“G 自主性（G-autonomous）”的概念，表示一个时间序列的过去值可以预测自身的未来值的度量，可以用类似 G-causality 的方式来刻画这种自主预测的因果效应强度。

[[文件:G Emergence Theory.png|G-emergence理论图|alt=G-emergence理论图|居左|400x300像素]]

如上图所示，我们可以基于上述 G-causality 中的两个基本概念来判断涌现的发生（这里是基于格兰杰因果的涌现的衡量，记作 G-emergence）。如果把 A 理解为宏观变量，B 理解为微观变量。发生涌现的条件包含两个：1）A 是关于 B 的 G-autonomous；2）B 是 A 的 G-cause。其中 G-emergence 的程度是通过 A 的 G-autonomous 的程度与 B 的平均 G-cause 的程度的乘积来计算的。

Seth 提出的 G-emergence 理论首次尝试使用因果度量来量化涌现现象，然而，作者使用的因果关系是[[格兰杰因果关系|格兰杰因果]]，这不是一个严格的因果关系，同时度量的结果也取决于所使用的回归方法。除此之外，该方法的度量指标是根据变量而不是动力学定义的，这意味着结果会依赖于变量的选择。这些都构成了 G-emergence 理论的弊端。

因果涌现框架与前面提到的 G-emergence 也有相似之处，两个方法的宏观状态都需要人工选择。此外，需要注意的是，上述的一些定量量化涌现的方法往往没有考虑真正的干预式因果。

====其他定量刻画涌现的理论====
此外，也存在一些其他的涌现定量理论，主要有两种方法被广泛讨论。一种是从无序到有序的过程来理解[[涌现]]，Moez Mnif 和 Christian Müller-Schloer<ref>Mnif, M.; Müller-Schloer, C. Quantitative emergence. In Organic Computing—A Paradigm Shift for Complex Systems; Springer: Basel, Switzerland, 2011; pp. 39–52. </ref>使用[[香农熵]]来度量有序和无序。在[[自组织]]过程中，当秩序增加时就会出现涌现，通过测量初始状态和最终状态之间的香农熵的差异来计算秩序的增加。然而，该方法存在的缺陷是：它依赖于抽象的观察水平以及系统的初始条件。为了克服这两种困难，作者提出了一种与最大熵分布相比的度量方法。受 Moez mif 和 Christian Müller-Schloer 工作的启发，参考文献<ref>Fisch, D.; Jänicke, M.; Sick, B.; Müller-Schloer, C. Quantitative emergence–A refined approach based on divergence measures. In Proceedings of the 2010 Fourth IEEE International Conference on Self-Adaptive and Self-Organizing Systems, Budapest, Hungary, 27 September–1 October 2010; IEEE Computer Society: Washington, DC, USA, 2010; pp. 94–103. </ref>建议使用两个概率分布之间的散度来量化涌现。他们将涌现理解为在所观察到的样本基础上的一种意想不到的或不可预测的分布变化。但该方法存在计算量大、估计精度低等缺点。为了解决这些问题，文献<ref>Fisch, D.; Fisch, D.; Jänicke, M.; Kalkowski, E.; Sick, B. Techniques for knowledge acquisition in dynamically changing environments. ACM Trans. Auton. Adapt. Syst. (TAAS) 2012, 7, 1–25.</ref>进一步提出了一种使用[[高斯混合模型]]估计密度的近似方法，并引入[[马氏距离]]来表征数据与高斯分量之间的差异，从而得到了更好的结果。此外，Holzer 和 de Meer 等人<ref>Holzer, R.; De Meer, H.; Bettstetter, C. On autonomy and emergence in self-organizing systems. In International Workshop on Self-Organizing Systems, Proceedings of the Third International Workshop, IWSOS 2008, Vienna, Austria, 10–12 December 2008; Springer: Berlin/Heidelberg, Germany, 2008; pp. 157–169.</ref><ref>Holzer, R.; de Meer, H. Methods for approximations of quantitative measures in self-organizing systems. In Proceedings of the Self-Organizing Systems: 5th International Workshop, IWSOS 2011, Karlsruhe, Germany, 23–24 February 2011; Proceedings 5; Springer: Berlin/Heidelberg, Germany, 2011; pp. 1–15.</ref>提出了另一种基于香农熵的涌现测量方法。他们认为一个复杂的系统是一个自组织的过程，在这个过程中，不同的个体通过通信相互作用。然后，我们可以根据代理之间所有通信的香农熵度量与作为单独源的香农熵总和之间的比率来测量涌现。

另一种方法是从“整体大于部分之和”的角度来理解涌现的<ref>Teo, Y.M.; Luong, B.L.; Szabo, C. Formalization of emergence in multi-agent systems. In Proceedings of the 1st ACM SIGSIM Conference on Principles of Advanced Discrete Simulation, Montreal, QC, Canada, 19–22 May 2013; pp. 231–240. </ref><ref>Szabo, C.; Teo, Y.M. Formalization of weak emergence in multiagent systems. ACM Trans. Model. Comput. Simul. (TOMACS) 2015, 26, 1–25.</ref>，该方法从交互规则和主体的状态来定义涌现，而不是从整个系统的总体来进行统计度量。具体地说，这个度量需要使两项相减。第一项描述了整个系统的集体状态，而第二项代表了所有组成部分的单个状态的总和。该度量强调涌现产生于系统的相互作用和集体行为。

===基于有效信息的因果涌现理论===
历史上，第一个比较完整而明确的利用因果来定义涌现的定量理论当属 [[Erik Hoel]], [[Larissa Albantakis]] 以及 [[Giulio Tononi]] 三人提出的因果涌现理论<ref name=":0" /><ref name=":1" />。该理论针对[[马尔科夫链]]定义所谓的因果涌现为：粗粒化后的马尔科夫链比原始的马尔科夫链具有更大的因果效应强度的现象。这里，因果效应强度是通过[[有效信息]]来衡量的，该指标是对[[互信息]]指标的一种改造，主要差别是将 <math>t</math> 时刻的状态变量进行了 [[do 干预]]，干预成了[[均匀分布]]（或[[最大熵分布]]）。[[有效信息]]指标早在2003年就被 [[Giulio Tononi]] 在研究[[整合信息论]]的时候提出，作为 [[Giulio Tononi]] 的学生 [[Erik Hoel]] 将有效信息应用到马尔科夫链中，提出了[[基于有效信息的因果涌现理论]]。

===基于信息分解的因果涌现理论===
此外，2020 年，Rosas 等<ref name=":5" />从[[信息论|信息理论]]视角出发，提出一种基于[[信息分解]]的方法来定义系统中的因果涌现，基于[[协同信息]]或者[[冗余信息]]来定量的刻画涌现。所谓的[[信息分解]]是分析[[复杂系统]]中各个变量复杂相互关系的一种新方法，通过对信息进行分解，用信息原子来表示每个部分信息，同时借助[[信息晶格图]]将每个部分信息投射到[[信息原子]]中，其中协同信息以及冗余信息都可以用对应的信息原子来表示。该方法建立在 Williams 和 Beer 等<ref name=":16">Williams P L, Beer R D. Nonnegative decomposition of multivariate information[J]. arXiv preprint arXiv:10042515, 2010.</ref>提出的[[多元信息非负分解]]理论的基础之上，文中使用[[部分信息分解]]（PID）将微观态和宏观态的互信息进行分解。然而，PID 框架只能分解关于多个源变量和一个目标变量之间的互信息，Rosas 扩展了该框架，提出整合信息分解方法 <math>\Phi ID </math><ref name="phi">Mediano, P. A., Rosas, F. E., Luppi, A. I., Carhart-Harris, R. L., Bor, D., Seth, A. K., & Barrett, A. B. (2025). Toward a unified taxonomy of information dynamics via Integrated Information Decomposition. Proceedings of the National Academy of Sciences, 122(39), e2423297122.</ref>来处理多个源变量和多个目标变量之间的互信息，作者基于分解后的信息提出了两种因果涌现的定义方法。

===近期工作===
Barnett 等人<ref name=":6">Barnett L, Seth AK. Dynamical independence: discovering emergent macroscopic processes in complex dynamical systems. Physical Review E. 2023 Jul;108(1):014304.</ref>基于[[转移熵]]，通过判断宏观动力学与微观动力学进行解耦来判断涌现的发生，因而提出了[[动力学解耦]]的概念。也就是，将涌现刻画为，宏观的变量与微观的变量相互独立，没有因果关系，这也可以看做是一种因果涌现现象。

2024 年，[[张江]]等人<ref name="dynmical_reversibility_discrete">{{cite journal|author1=Zhang J.|author2=Tao R.|author3=Yuan B.|title=Dynamical Reversibility and A New Theory of Causal Emergence|journal=NPJ Complexity|year=2025|volume=2|issue=3}}</ref>基于[[奇异值分解]]，提出了一套新的[[基于可逆性的因果涌现理论]]。该理论的核心思想是指出所谓的因果涌现其实等价于动力学可逆性的涌现。给定一个系统的马尔科夫转移矩阵，通过对它进行奇异值分解，将奇异值的 <math>\alpha</math> 次方的和定义为马尔科夫动力学的[[可逆性]]度量（<math>\Gamma_{\alpha}\equiv \sum_{i=1}^N\sigma_i^{\alpha}</math>），这里 [math]\sigma_i[/math] 为奇异值。该指标与[[有效信息]]具有高度的相关性，也可以用于刻画动力学的因果效应强度。根据奇异值的谱，该方法可以在不显式定义粗粒化方案的条件下，直接定义所谓'''清晰涌现'''（clear emergence）和'''模糊涌现'''（vague emergence）的概念。

==因果涌现的量化==
接下来，我们重点介绍几种利用因果度量来量化涌现现象的研究。

===几种因果涌现理论===
对于如何定义因果涌现是一个关键问题，有几个代表性工作，分别是 Hoel 等<ref name=":0" /><ref name=":1" />提出的基于[[有效信息]]的方法、Rosas 等<ref name=":5">Rosas F E, Mediano P A, Jensen H J, et al. Reconciling emergences: An information-theoretic approach to identify causal emergence in multivariate data[J]. PLoS computational biology, 2020, 16(12): e1008289.</ref>提出的基于[[信息分解]]的方法、张江等人<ref name="dynmical_reversibility_discrete" />基于[[奇异值分解]]提出了一套新的因果涌现理论以及一些其他的理论。

====Erik Hoel的因果涌现理论====

=====因果涌现1.0 (CE 1.0)=====

Hoel 等于 2013 年<ref name=":0" /><ref name=":1" />提出因果涌现理论，下图是对该理论的一个抽象框架，其中，横坐标表示时间，纵坐标表示尺度（Scale）。该框架可以看成是对同一个动力系统在微观和宏观两种尺度上的描述。其中，[math]f_m[/math] 表示微观动力学，[math]f_M[/math] 表示宏观动力学，二者通过一个粗粒化函数 [math]\phi[/math] 相连。在一个离散状态的马尔科夫动力系统中，[math]f_m[/math] 和 [math]f_M[/math] 都是马尔科夫链，对 [math]f_m[/math] 进行[[马尔科夫链的粗粒化]]，就可以得到 [math]f_M[/math]。<math> EI </math> 是[[有效信息]]的度量。由于微观态可能具有更大的随机性，这导致微观动力学的[[因果性]]比较弱，所以通过对每一个时刻的微观态进行合理的粗粒化，就有可能得到因果性更强的宏观态。所谓的因果涌现，就是指当我们对微观态进行粗粒化的时候，宏观动力学的[[有效信息]]会增加这一现象，并且宏观态与微观态的[[有效信息]]之差被定义为因果涌现的强度。

[[文件:因果涌现理论.png|因果涌现理论框架|alt=因果涌现理论抽象框架|居左|400x400像素]]

======有效信息======
[[有效信息]]（<math> EI </math>）最早由 [[Tononi]] 等人在[[整合信息论]]的研究中提出<ref>Tononi G, Sporns O. Measuring information integration[J]. BMC neuroscience, 2003, 41-20.</ref>。在因果涌现研究中，[[Erik Hoel]] 等人将这种[[因果效应度量]]指标用于量化一个[[因果机制]]的因果性强弱。

具体来说，<math> EI </math> 的计算为：使用干预操作对自变量做[[干预]]，并考察在这一干预下，因和果变量之间的[[互信息]]，这种互信息就是[[有效信息]]，即因果机制的因果效应度量。

在[[马尔科夫链]]中，任意时刻的状态变量 [math]X_t[/math] 都可以看作是原因，而下一时刻的状态变量 [math]X_{t+1}[/math] 就可以看作是结果，这样[[马尔科夫链]]的[[状态转移矩阵]]就是它的[[因果机制]]。因此，针对[[马尔科夫链]]的 <math>EI</math> 的计算公式如下所示：

<math>
\begin{aligned}
EI(f) \equiv& I(X_t,X_{t+1}|do(X_t)\sim U(\mathcal{X}))\equiv I(\tilde{X}_t,\tilde{X}_{t+1}) \\
&= \frac{1}{N}\sum^N_{i=1}\sum^N_{j=1}p_{ij}\log\frac{N\cdot p_{ij}}{\sum_{k=1}^N p_{kj}}
\end{aligned}
</math>

其中 <math>f</math> 表示一个马尔科夫链的状态转移矩阵，[math]U(\mathcal{X})[/math] 表示状态变量 [math]X_t[/math] 取值空间 [math]\mathcal{X}[/math] 上的均匀分布。<math>\tilde{X}_t,\tilde{X}_{t+1}</math> 分别为把 <math>t</math> 时刻的[math]X_t[/math][[干预]]为[[均匀分布]]后，前后两个时刻的状态。<math>p_{ij}</math> 为第 <math>i</math> 个状态转移到第 <math>j</math> 个状态的转移概率。从这个式子不难看出，<math> EI </math> 仅仅是概率转移矩阵 [math]f[/math] 的函数。进行干预操作是为了使得有效信息能客观衡量动力学的因果特性而不受原始输入数据的分布影响。

有效信息可以拆解为'''确定性'''和'''简并性'''两部分，还可以通过引入归一化从而消除状态空间规模大小的影响。关于有效信息的详细信息请参看词条：[[有效信息]]。

为了消除状态数对有效信息的影响，可以定义有效系数概念，公式如下所示：

<math>
\begin{aligned}
Eff(f) = \frac{EI}{\log_2 N}
\end{aligned}
</math>

其中 <math>N</math>表示状态的数量

======因果涌现度量======
我们可以通过比较系统中宏微观动力学的有效信息大小来判断因果涌现的发生:

<math>
CE=EI\left ( f_M \right )-EI\left (f_m \right )
</math>

其中 <math>CE</math> 为因果涌现强度。如果宏观动力学的有效信息大于微观动力学的有效信息（也就是 <math>CE>0</math>），那么我们认为在该粗粒化基础上宏观动力学具有因果涌现特性。

进一步，<math>CE</math>可以拆解成两项之和，<math>CE=\Delta I_{Eff}+\Delta I_{Size}</math>，其中<math>\Delta I_{Eff}=(Eff(f_M)-Eff(f_m))\cdot \log_2(M)</math>是由有效性的提升而引起的因果涌现，<math>\Delta I_{Size}=Eff(f_m)\cdot(\log_2(M)-\log_2(m))</math>是由状态空间的减少而引起的因果涌现，其中<math>M</math>和<math>m</math>分别表示宏微观的状态大小，由于粗粒化后的宏观状态减小了，<math>\Delta I_{Size}</math>这一项一定小于0，为了能发生因果涌现，就要使得<math>\Delta I_{Eff}</math>这一项大于0且增加的幅度大于<math>\Delta I_{Size}</math>的降低幅度。

======马尔科夫链实例======
在文献<ref name=":0"/>中，Hoel 给出一个含有 8 个状态的马尔科夫链的状态转移矩阵([math]f_m[/math])的例子，如下面左图所示。其中前7个状态之间等概率转移，最后一个状态是独立的，只能转变为自身的状态。

对该矩阵的粗粒化为如下操作：首先，将前 7 个状态归并为一个宏观状态，不妨称为 A，并且将 [math]f_m[/math] 中前 7 行的前 7 列的概率数值加总再除以 7，从而得到宏观态 A 到 A 的状态转移概率，并对 [math]f_m[/math] 矩阵的其它数值保持不变。这样归并后的新的概率转移矩阵如右图所示，记为 [math]f_M[/math] 。这是一个确定的宏观马尔科夫转移矩阵，即系统的未来状态完全可以由当前状态决定。此时 <math>EI(f_M\ )>EI(f_m\ ) </math>，系统发生了因果涌现。

[[文件:状态空间中的因果涌现1.png|居左|500x500像素|状态空间上的因果涌现|替代=]]

然而，对于更一般的马尔科夫链和更一般的状态分组，这种简单的将概率平均化的操作并不都是可行的，这是因为归并后的概率转移矩阵有可能不满足马尔科夫链的条件（如矩阵的行并不满足归一化条件，或元素数值超出 [0,1] 区间范围）。关于什么样的马尔科夫链和状态分组可以得到一个可行的宏观马尔科夫链，请参考本词条后面的'''马尔科夫链的约简'''一节，或参看[[马尔科夫链的粗粒化]]这一词条。

======布尔网络实例======
另一个文献<ref name=":0"/>中的例子是一个[[布尔网络]]中发生因果涌现的例子。如图所示，这是一个含有 4 个节点的布尔网络，每个节点有 0 和 1 两种状态，每个节点与另外两个节点相连，遵循相同的微观动力学机制（a图）。因此，该系统一共含有十六个微观状态，它的动力学可以用一个 <math>16\times16 </math> 的状态转移矩阵（c图）表示。

对该系统的粗粒化操作分为两步，第一步是对布尔网络中的节点进行聚类，如下图b所示，将A和B进行合并得到宏观节点 [math]\alpha[/math]，C 和 D 进行合并得到宏观节点 [math]\beta[/math]；第二步，将每一个分组中的微观节点状态映射为归并后的宏观节点状态，这一映射函数如下图d所示，其中所有包含 0 的微观节点状态都转变为宏观节点的off状态，而微观的 11 状态转变为宏观的 on 状态。这样，我们可以得到一个新的宏观的布尔网络，并根据微观节点的动力学机制得到宏观布尔网络的动力学机制，根据这个机制就可以得到宏观网络的状态转移矩阵（如e图所示）。

通过对比，我们发现宏观动力学的[[有效信息]]大于微观动力学的[[有效信息]]（<math>EI(f_M\ )>EI(f_m\ ) </math>），该系统发生了因果涌现。

[[文件:含有4个节点的布尔网络.png|居左|700x700像素|离散布尔网络上的因果涌现|替代=含有4个节点布尔网络的因果涌现]]

======连续变量中的因果涌现======
进一步，在<ref name="Chvykov_causal_geometry">{{cite journal|author1=Chvykov P|author2=Hoel E.|title=Causal Geometry|journal=Entropy|year=2021|volume=23|issue=1|page=24|url=https://doi.org/10.3390/e2}}</ref>一文中，Hoel 等人提出了[[因果几何]]理论框架，试图将因果涌现理论推广到具有连续状态的函数映射与动力系统之中，该文章对[[随机函数映射]]定义了 <math>EI</math>，同时还引入了干预噪音和[[因果几何]]的概念，并将这一概念与[[信息几何]]进行了对照和类比。[[刘凯威]]等人<ref name="An_exact_theory_of_causal_emergence">{{cite journal|author1=Liu K|author2=Yuan B|author3=Zhang J|title=An Exact Theory of Causal Emergence for Linear Stochastic Iteration Systems|journal=Entropy|year=2024|volume=26|issue=8|page=618|url=https://arxiv.org/abs/2405.09207}}</ref>又进一步给出了[[随机迭代动力系统]]的精确解析的因果涌现理论。

=====因果涌现2.0 (CE 2.0)=====

因果涌现2.0（CE2.0）<ref name='CE2.0'>Hoel E. Causal Emergence 2.0: Quantifying emergent complexity[J]. arXiv preprint arXiv:2503.13395, 2025.</ref>是Hoel在2025提出的一个新的因果涌现理论。基于公理化的因果概念构建了理论框架，定义了充分性与必要性的因果基元，随后对马尔科夫链进行逐层粗粒化定义了从微观到宏观的路径，该理论假设了一种因果分配模式，计算了每个尺度下的因果贡献，最后，为了量化一个系统的因果运作在其尺度层级中分布的广泛程度，基于因果贡献分布提出了一种衡量系统的涌现复杂性（EC）的新方法。

======因果公理======

当我们讨论因果关系时，不应该简单地认为它只是一个简单的原因导致结果的关系。实际上，这种关系可以从两个不同的角度来看：一个是充分性，另一个是必要性。充分性是指一个原因是否总是能导致一个特定的结果，而必要性是指为了得到这个结果，是否需要这个特定的原因。我们可以把这两个概念看作是理解因果关系的基本元素，称为因果基元（Causal Primitives）<ref name=" Hoel 2022">{{cite journal|author1=Comolatti, R.|author2=Hoel, E.|year=2025|title=Consilience in Causation: Causal Emergence Is Found Across Measures of Causation|journal=Entropy|volume=27|issue=825}}</ref>。在更广泛的意义上，充分性和必要性分别反映了因果关系之间的确定性和简并性。

'''充分性的形式化'''

'''1.充分性'''：这里指的是原因<math>c</math>对产生结果<math>e</math>的充分程度。如果每当原因<math>c</math>发生时，结果<math>e</math>总是随之发生，那么我们可以说<math>c</math>是产生<math>e</math>的充分条件。充分性用公式表示为: <math>suff (e, c) = P (e | c)</math>

'''2.充分性的广义形式-确定性'''：如果原因只有一个结果，即<math>P=1</math>，则该熵项为零；如果原因具有完全随机的结果，则熵最大，即<math>\log_2n</math>, 系统级确定性系数如下: <math>det=1-\frac{H(E \mid c)}{\log_2n} </math>，其中<math>n</math>为所有可能结果的数量，用<math>H (E | c) </math>表示原因导致结果的概率分布的熵，用公式表示为: <math>H(E\mid c)=\sum_{e\in E} suff (e, c)\log_2\frac{1}{suff (e, c)}</math>

'''必要性的形式化'''

'''1.必要性'''：这里指原因<math>c</math>对产生结果<math>e</math>的必要性程度。如果只有通过<math>c</math>才能产生<math>e</math>，那么<math>c</math>是产生<math>e</math>的必要条件。这意味着没有<math>c</math>，<math>e</math>就不会发生。必要性用公式表示为: <math>nec(e, c) = 1 – P (e | C\c)</math>

'''2.必要性的广义形式-简并性'''：如果所有可能的结果都有相同的概率，即没有任何一个结果比其他结果更有可能，那么简并性为零。如果某些特定的结果由更多的原因引起，那么这些特定的结果就更有可能发生，从而导致简并性增加。简并性的量化可以用一组原因<math>C</math>导致<math>e</math>发生的条件概率的熵来衡量，公式为: <math>\begin{aligned}H(E \mid C)=\sum_{e\in E}P(e\mid C)\log_2\frac{1}{P(e\mid C)}\end{aligned}</math>，通过上面公式，我们可以定义系统级简并性系数: <math>deg=1-\frac{H(E \mid C)}{\log_{2}n}</math>，而'''特异性'''可以定义为：<math>spec=1-deg</math>

在论文中，作者使用<math>CP=suff + nec</math>或<math>CP=det + spec</math>来量化一个马可科夫动力学的因果性强弱。详细方法的介绍见: [[因果效应度量]]词条。

======路径定义（从微观到宏观）======

微观<math>\to</math>宏观路径是指从微观尺度出发、最终抵达作为路径终点的宏观尺度之间，所有有效（即动力学一致的）尺度的集合。从概念上讲，这种路径本质上是明确系统在跨越尺度的层级结构中，哪些粗粒化过程构成了通往其他粗粒化结果的"必经之路"。路径中的每一步都是所有可能尺度集合中的一个"切片"——微观<math>\to</math>宏观路径自底部（完整维度）向顶部（最终降维）遍历这些切片时，每个切片都代表着系统描述维度的一次缩减。

所有粗粒化过程均需经过验证，以确保其作为底层微观尺度的精确描述的有效性——具体而言，需要检查每个宏观尺度的动力学一致性（与[[复杂网络中的因果涌现]]词条中的检验方式一致），并剔除了不一致的宏观描述。

'''路径可以定义为：'''

<math>\pi^1 \to \pi^2 \to \dots \to \pi^k </math>

其中每个<math>\pi^i</math>都是对原始n个微观状态的某种有效划分（表示一种粗粒化），而<math>\pi^{i+1}</math>又是<math>\pi^i</math>的进一步粗粒化划分，最终到达终止划分<math>\pi^k</math>。

======涌现复杂度======

通过分析因果贡献的分布情况，CE 2.0能够量化对系统运行真正具有因果相关性的涌现复杂性。具体而言，路径上每一步的<math>\Delta CP</math>代表了该尺度对总<math>CP</math>（完全决定系统的因果运作）的因果贡献——因此可以评估其沿路径的分布情况。由此可见，CE 2.0为系统因果运作的复杂程度提供了一套分类标准：若因果作用主要集中于单一尺度（如完全集中在微观尺度，或由"top-heavy"的宏观尺度主导），则系统是简单的；反之，若系统存在具有显著因果贡献的中间介观尺度，则系统是复杂的。

为了从形式上区分"top-heavy"或"bottom-heavy"系统与具有显著介观结构的系统，本文引入了一个涌现复杂性（Emergent Complexity，EC）的量化指标。该指标基于长度为<math>L</math>的路径上因果贡献的信息熵计算。假设在路径的每个步骤<math>i = 1, 2,..., L</math>（微观尺度除外）都对应一个因果增益<math>\Delta CP_i=CP_i-CP_{i-1}</math>，那么每个尺度下的因果贡献的概率分布如下：

{{NumBlk|:|
<math>
p_i = \frac{\Delta CP_i}{\sum^L_{j=1} \Delta CP_j}, for i=1,..., L
</math>
|{{EquationRef|1}}}}

这确保了 <math>\left\{p_i,..., p_n \right\}</math>构成一个覆盖<math>L</math>个步骤的概率分布。为了量化增益分布的分散程度（多尺度特性），需计算其熵值。因此，涌现复杂度的定义如下：

{{NumBlk|:|
<math>
EC = \sum^L_{j=1} p_i \log_2(p_i), for i=1,..., L
</math>
|{{EquationRef|2}}}}

为展示CE 2.0的这一新特性，下图分析了两类具有因果涌现特性的系统：一类不具备介观结构（图A），另一类则具有介观结构（图D），除此之外两者尽可能保持相似。图A展示了一个仅包含直观宏观尺度、不具备可区分介观结构的系统转移概率矩阵（TPM），其中微观状态(0,1,2,3)和(4,5,6,7)分别被粗粒化为两个对应的宏观态。实际上，被粗粒化为这两个宏观态的微观状态各自构成了等价类（可视化呈现见图B）。为阐明该方法能识别介观尺度结构，我们在图D-E中构建了类似系统模型，但其关键改进在于：(0)和(4)在状态转移特性上，与它们最终被粗粒化归入的宏观态（分别为(0,1,2,3)和(4,5,6,7)）中的其他状态具有可区分性，具体来说，状态（0）和（4）只具有转向自己的概率，而状态（1,2,3)和（5,6,7)各自之间进行等概率转移。这意味着，本系统中对CP信息增益贡献最大的维度压缩，并非基于严格意义上的等价类划分。在这个介观尺度系统中，当绘制路径上的因果贡献度时可见一个明显的前期峰值（图F）。由于<math>\Delta CP</math>存在这个更早的峰值，该介观尺度系统的涌现复杂度达到2.07 bits（图F），而"top-heavy"系统的涌现复杂度仅为1.67 bits（图C）。这表明，介观尺度特征通过<math>\Delta CP</math>在高于终点宏观态的维度上出现峰值而得以显现。

[[文件:涌现复杂度.png|800x800像素|]]

====Rosas的因果涌现理论====
Rosas 等<ref name=":5" />从[[信息分解]]理论的视角出发，提出一种基于[[整合信息分解]]定义因果涌现的方法，并将因果涌现进一步区分为：[[因果解耦]]（Causal Decoupling）和[[向下因果]]（Downward Causation）两部分。其中因果解耦表示当前时刻宏观态对下一时刻宏观态的因果效应，向下因果表示上一时刻宏观态对下一时刻微观态的因果效应。因果解耦和向下因果的示意图如下图所示，其中微观状态输入为 <math>X_t\ (X_t^1,X_t^2,…,X_t^n ) </math>，宏观状态是 <math>V_t </math>，它由微观态变量 <math>X_t </math> 粗粒化而来，因而是 <math>X_t </math> 的随附特征（Supervenience），<math>X_{t+1} </math> 和 <math>V_{t+1} </math> 分别表示下一时刻的微观和宏观状态。

[[文件:向下因果与因果解耦2.png|居左|300x300像素|因果解耦与向下因果]]

=====部分信息分解=====
该方法建立在Williams和Beer等<ref name=":16" />提出的[[多元信息非负分解]]理论的基础之上，该文使用[[部分信息分解]]（PID）将微观态和宏观态的互信息进行分解。

不失一般性，假设我们的微观态为 <math>X(X^1,X^2) </math>，即它是一个二维的变量，宏观态为 <math>V </math>，则二者之间的[[互信息]]可以被分解为四个部分：

<math>I(X^1,X^2;V)=Red(X^1,X^2;V)+Un(X^1;V│X^2 )+Un(X^2;V│X^1 )+Syn(X^1,X^2;V) </math>

其中 <math>Red(X^1,X^2;V) </math> 表示[[冗余信息]]，是指两个微观态 <math>X^1 </math> 和 <math>X^2 </math> 重复地给宏观态 <math>V </math> 提供的信息；<math>Un(X^1;V│X^2 ) </math> 和 <math>Un(X^2;V│X^1 ) </math> 表示[[特有信息]]，是指每一个微观态变量单独给宏观态提供的信息；<math>Syn(X^1,X^2;V) </math> 表示[[协同信息]]，是指所有微观态 <math>X </math> 联合在一起给宏观态 <math>V </math> 提供的信息。

=====因果涌现定义=====
然而，PID 框架只能分解关于多个源变量和一个目标变量之间的互信息，Rosas扩展了该框架，提出整合信息分解方法 <math>\Phi ID </math><ref name='phi'/>来处理多个源变量和多个目标变量之间的互信息，还可以用来分解不同时刻间的互信息，作者基于分解后的信息提出了两种因果涌现的定义方法：

1）当[[特有信息]] <math>Un(V_t;X_{t+1}| X_t^1,\ldots,X_t^n\ )>0 </math>，表示当前时刻的宏观态 <math>V_t </math> 能超过当前时刻的微观态 <math>X_t </math> 给下一时刻的整体系统 <math>X_{t+1} </math> 提供更多信息，这时候系统存在着因果涌现；

2）第二种方法绕开了选择特定的宏观态 <math>V_t </math>，仅仅基于系统当前时刻的微观态 <math>X_t </math> 和下一时刻的微观态 <math>X_{t+1} </math> 之间的[[协同信息]]定义因果涌现，当协同信息 <math>Syn(X_t^1,…,X_t^n;X_{t+1}^1,…,X_{t+1}^n )>0 </math>，系统发生了因果涌现。

值得注意的是，对于方法一判断因果涌现的发生需要依赖宏观态 <math>V_t </math> 的选择，其中方法一是方法二的下界。这是因为，<math>Syn(X_t;X_{t+1}\ ) ≥ Un(V_t;X_{t+1}| X_t\ )</math> 衡成立。所以，如果 <math>Un(V_t;X_{t+1}| X_t\ )</math> 大于0，则系统出现因果涌现。然而 <math>V_t </math> 的选择往往需要预先定义粗粒化函数，因此无法回避 [[Erik Hoel 因果涌现理论]]的局限。另外一种自然的想法就是使用第二种方法借助协同信息来判断因果涌现的发生，但是协同信息的计算是非常困难的，存在着组合爆炸问题。因此，第二种方法基于协同信息的计算往往也是不可行的。总之，这两种因果涌现的定量刻画方法都存在一些弱点，因此，有待提出更加合理的量化方法。

=====具体实例=====
[[文件:因果解耦以及向下因果例子1.png|500x500像素|居左|因果解耦以及向下因果例子]]

文<ref name=":5" />中作者列举了一个具体的例子(如上式），来说明什么时候发生[[因果解耦]]、[[向下因果]]以及[[因果涌现]]。该例子是一个特殊的马尔科夫过程，这里， <math>p_{X_{t+1}|X_t}(x_{t+1}|x_t)</math> 表示动力学关系，<math>X_t=(x_t^1,…,x_t^n )\in \left\{0,1\right\}^n </math> 为微观态。该过程的定义是通过检查前后两个时刻的变量 [math]x_t[/math] 和 [math]x_{t+1}[/math] 的取值，也就是判断 [math]x_t[/math] 的所有维度加和模2是否与 [math]x_{t+1}[/math] 的第一个维度相同来确定下一时刻状态 [math]x_{t+1}[/math] 取不同数值概率的：如果不同，则概率取 0；否则再判断 [math]x_t,x_{t+1}[/math] 在所有维度上是否都有相同的加和模 2 值，如果两个条件都满足，则取值概率为 [math]\gamma/2^{n-2}[/math]，否则取值概率为 [math](1-\gamma)/2^{n-2}[/math]。这里 [math]\gamma[/math] 为一个参数， [math]n[/math] 为 x 的总维度。

实际上，如果 <math>\sum_{j=1}^n x^j_t</math> 是偶数或者 0 时 <math>\oplus^n_{j=1} x^j_t:=1</math>，反之 <math>\oplus^n_{j=1} x^j_t:=0</math>，因此 <math>\oplus^n_{j=1} x^j_t</math> 的结果是 X 整体序列的奇偶性，而第一个维度则可以看作是一个奇偶校验位。<math>\gamma</math> 实际上表示 X 序列某两个位产生了突变，并且该突变却能够保证整体序列的奇偶性不变，以及序列的奇偶校验位也符合序列整体的实际奇偶性的概率。

因而该过程的宏观态可以就看做是整个序列所有维度和的奇偶性，该奇偶性的概率分布是微观态的异或计算的结果。[math]x_{t+1}^1[/math] 是一个特殊的微观态，它始终与上一时刻序列的宏观态保持一致。因此，当第二个判断条件中只有第一项成立时该系统发生向下因果条件，只有第二项成立时系统发生因果解耦，两项同时成立时则称系统发生因果涌现。

====基于奇异值分解的因果涌现理论====
[[Erik Hoel的因果涌现理论]]存在着需要事先指定粗粒化策略的问题，Rosas 的信息分解理论并没有完全解决该问题，因此，[[张江]]等人<ref name="dynmical_reversibility_discrete"/>进一步提出了基于[[奇异值分解的因果涌现理论]]。

=====马尔科夫链的奇异值分解=====
给定一个系统的[[马尔科夫转移矩阵]] <math>P</math>，我们可以对它进行[[奇异值分解]]，得到两个正交且归一化矩阵 <math>U</math> 和 <math>V</math>，和一个对角阵 <math>\Sigma</math>：<math>P= U\Sigma V^T</math>，其中 [math]\Sigma=diag(\sigma_1,\sigma_2,\cdots,\sigma_N)[/math]，其中 [math]\sigma_1\geq\sigma_2\geq\cdots\sigma_N[/math] 为 <math>P</math> 的奇异值，并且按照从大到小的顺序排列，<math>N</math> 为 <math>P</math> 的状态数量。

=====近似动力学可逆性与有效信息=====
我们可以将奇异值的<math>\alpha</math> 次方之和（也称为矩阵的 [math]\alpha[/math] 阶[[Schatten范数]]）定义为马尔科夫链的[[近似动力学可逆性]]度量，即：

<math>
\Gamma_{\alpha}\equiv \sum_{i=1}^N\sigma_i^{\alpha}
</math>

这里，[math]\alpha\in(0,2)[/math] 为一个指定的参数，它起到让 [math]\Gamma_{\alpha}[/math] 能够更多地反映[[确定性]]还是[[简并性]]这样一种权重或倾向性。通常情况下，我们取 [math]\alpha=1[/math]，这可以让 [math]\Gamma_{\alpha}[/math] 能够在确定性与简并性之间达到一种平衡。

此外，文献中作者证明了 <math>EI</math> 与 [math]\Gamma_{\alpha}[/math] 之间存在着一种近似的关系：

<math>
EI\sim \log\Gamma_{\alpha}
</math>

而且，在一定程度上可以用 [math]\Gamma_{\alpha}[/math] 替代 EI 对马尔科夫链的因果效应程度进行度量。因此，所谓的因果涌现也可以被理解为一种'''动力学可逆性的涌现'''。

=====无需粗粒化的因果涌现量化=====
然而，该理论的最大价值在于无需粗粒化策略，就可以直接量化涌现。如果 <math>P</math> 的秩为 <math>r</math>，即从第 <math>r+1</math> 个奇异值开始，奇异值都为 0，则我们称动力学 <math>P</math> 存在着'''清晰的因果涌现'''（Clear Causal Emergence），并且因果涌现的数值为：

<math>
\Delta \Gamma_{\alpha} = \Gamma_{\alpha}(1/r-1/N)
</math>

如果矩阵 <math>P</math> 满秩，但是对于任意给定的小数 <math>\epsilon</math>，存在 <math>r_{\epsilon}</math>，使得从 <math>r_{\epsilon}+1</math> 开始，所有的奇异值都小于 <math>\epsilon</math>，则称系统存在着程度的'''模糊的因果涌现'''（Vague Causal Emergence），且因果涌现的数值为：

<math>\Delta \Gamma_{\alpha}(\epsilon) = \frac{\sum_{i=1}^{r} \sigma_{i}^{\alpha}}{r} - \frac{\sum_{i=1}^{N} \sigma_{i}^{\alpha}}{N} </math>

总结来看，该定量化因果涌现的方法的好处在于，它可以不依赖于具体的粗粒化策略，因而可以更加客观地量化因果涌现。该方法的缺点是，若要计算 [math]\Gamma_{\alpha}[/math]，需要事先对 <math>P</math> 进行[[SVD分解]]，因而计算复杂度为 [math]O(N^3)[/math]，比 <math>EI</math> 的计算复杂度高。而且，[math]\Gamma_{\alpha}[/math] 不能显式地分解为确定度和简并度两个分量。

=====具体实例=====

[[文件:Gamma例子.png|居左|500x500像素|<math>EI</math>与<math>\Gamma</math>对比]]

作者给出了四个具体马尔科夫链的例子，该马氏链的状态转移矩阵如图所示。我们可以对比该马氏链的 <math>EI</math> 和[[近似动力学可逆性]]（图中的 <math>\Gamma</math>，即 <math>\Gamma_{\alpha=1}</math>）。对比图 a，b，我们发现对于不同的状态转移矩阵，<math>EI</math> 降低的时候，<math>\Gamma</math> 也同步降低。进一步，图 c 和 d 是对比粗粒化前后的效果，其中图 d 是对图 c 状态转移矩阵的粗粒化（将前三个状态归并为一个宏观态）。由于宏观状态转移矩阵图d是一个[[确定性系统]]，因此，归一化后的 <math>EI</math>，<math>eff\equiv EI/\log N</math> 和归一化后的 [math]\Gamma[/math]：<math>\gamma\equiv \Gamma/N</math> 都达到了最大值 1。

====动力学解耦（Dynamic independence）====
[[动力学解耦]]（Dynamic Independence）是一种刻画粗粒化后的宏观动力学状态独立于微观动力学状态的方法<ref name=":6">Barnett L, Seth AK. Dynamical independence: discovering emergent macroscopic processes in complex dynamical systems. Physical Review E. 2023 Jul;108(1):014304.</ref>，其核心思想是，尽管宏观变量是由微观变量组成，但在预测宏观变量未来状态时，只需要依赖宏观变量历史信息，而不需要微观历史提供额外的信息，这种现象就被作者称为[[动力学解耦]]，它是另一种对涌现进行量化的手段，此时的宏观动力学称为涌现动力学。动力学解耦概念中的独立性、因果依赖性等可以通过[[转移熵]]（Transfer Entropy）进行量化。

=====动力学解耦的定量化=====
[[转移熵]]是测量两个随机过程之间有向（时间不对称）信息转移量的一种非参数统计量。过程 <math>X</math> 到另一个过程 <math>Y</math> 的转移熵可定义为：在已知 <math>Y</math> 过去值的情况下，了解 <math>X</math> 的过去值所能减少对 <math>Y</math> 未来值不确定性的程度，公式如下所示：

<math>T_t(X \to Y) = I(Y_t : X^-_t | Y^-_t) = H(Y_t | Y^-_t) - H(Y_t | Y^-_t, X^-_t)</math>

其中，<math>Y_t</math> 表示 <math>t</math> 时刻的宏观变量，<math>X^-_t</math> 和 <math>Y^-_t</math> 分别表示 <math>t</math> 时刻之前的微观和宏观变量。[math]I[/math] 为互信息，[math]H[/math] 为香农熵。当且仅当时间 <math>t</math> 从 <math>X</math> 到 <math>Y</math> 的转移熵 <math>T_t(X \to Y)=0</math> 时，<math>Y</math> 相对于 <math>X</math> 动力学解耦

动力学解耦的概念可以被广泛适用于多种复杂动态系统，包括神经系统、经济过程和进化过程。通过粗粒化方法，可以将高维微观系统简化为低维宏观系统，从而揭示出复杂系统中的涌现结构。

文中，作者在[[线性系统]]中进行了实验验证，实验流程是：1）使用线性系统生成参数与规律；2）设定粗粒化函数；3)得到转移熵的表达式；4）优化求解最大去耦合的粗粒化方法（对应最小转移熵）。这里的优化算法可以使用转移熵作为优化目标，然后使用[[梯度下降算法]]来求解粗粒化函数，也可以使用[[遗传算法]]来优化。

=====实例=====
文中举了一个线性动力系统的例子，其动力学是一个向量自回归的模型，通过使用遗传算法对不同的初始条件进行迭代进化，能使得系统的动力学解耦程度也逐渐增加，同时发现不同的粗粒化尺度会影响优化到[[动力学解耦]]的程度，实验发现只有在某些尺度下能达到动力学解耦，而在其他尺度则不行，因此尺度的选择也很重要。

===几种因果涌现理论比较===
我们可以从是否考虑因果、是否需要指定粗粒化函数，适用的动力学系统以及定量化指标这几个不同的维度，对比上述四种不同的定量化因果涌现理论，得到下表：

{| class="wikitable"
|+不同定量化涌现理论比较
|-
!方法!!是否考虑因果!!是否涉及粗粒化!!适用的动力学系统!!度量指标
|-
|Hoel 的因果涌现理论（CE1.0）<ref name=":0" />||动力学因果，EI 定义引入了 do 干预||需要指定粗粒化方法||离散马尔科夫动力学||动力学因果：有效信息
|-
|Hoel 的因果涌现理论（CE2.0）<ref name="CE2.0" />||动力学因果，基于因果公理提出了因果基元||需要指定粗粒化方法||离散马尔科夫动力学||涌现复杂度
|-
|Rosas 的因果涌现理论<ref name=":5" />||用互信息刻画的相关性近似||基于协同信息判断时不涉及粗粒化，基于特有信息计算则需要指定粗粒化方法||任意动力学||信息分解：协同信息或特有信息
|-
|基于可逆性的因果涌现理论<ref name="dynmical_reversibility_discrete"/>||动力学因果，EI 与近似动力学可逆性等价||不依赖于具体的粗粒化策略||离散马尔科夫动力学||近似动力学可逆性：<math>\Gamma_{\alpha}</math>
|-
|动力学解耦<ref name=":6"/>||格兰杰因果||需要指定粗粒化方法||任意动力学||动力学独立性：转移熵
|}

==因果涌现的识别==
前面已经介绍了一些通过因果度量和其他信息论指标来量化涌现的工作。然而，在实际应用中，我们往往只能收集到观测数据，而无法得到系统的真实动力学。因此，从可观测数据中辨别系统是否发生了因果涌现是一个更为重要的问题。下面介绍两种因果涌现的识别方法，包括基于 [[Rosas 因果涌现]]理论的近似方法(基于互信息近似的方法和基于[[机器学习]]的方法)和我国学者提出的[[神经信息压缩]]（NIS，NIS+）方法。

====基于 Rosas 因果涌现理论的近似方法====
[[Rosas的因果涌现理论|Rosas 的因果涌现理论]]包含了基于[[协同信息]]的量化方法和基于[[特有信息]]的量化方法，其中第二种方法可以绕开多变量的组合爆炸问题，但是依赖粗粒化方法和宏观态变量 <math>V</math> 的选择。为了解决这个问题，作者给出了两种解决方案，一种是通过研究者指定一个宏观态 <math>V</math>，另一种是基于机器学习的方法，通过最大化 <math>\mathrm{\Psi} </math>，让系统自动学习到宏观态变量 <math>V</math>。下面我们分别介绍这两种方法:

=====基于互信息近似的方法=====
[[Rosas的因果涌现理论|Rosas 的因果涌现理论]]虽然已经给出了因果涌现的严格定义，但在计算中涉及到很多变量的组合爆炸问题，因此难以将该方法应用于实际系统。为了解决这个问题，Rosas 等绕开了特有信息和协同信息的精确计算<ref name=":5" />，而提了一种只需要计算[[互信息]]的近似公式，并推导出一个判定因果涌现发生的充分条件。

作者们基于[[互信息]]提出了三个新指标，<math>\mathrm{\Psi} </math> ,<math>\mathrm{\Delta} </math> 和 <math>\mathrm{\Gamma} </math> 可以分别用于识别系统中的因果涌现、[[因果解耦]]和[[向下因果]]，三种指标的具体计算公式分别如下所示：

* 判断因果涌现的指标：
{{NumBlk|:|
<math>\Psi_{t, t+1}(V):=I\left(V_t ; V_{t+1}\right)-\sum_j I\left(X_t^j ; V_{t+1}\right) </math>
|{{EquationRef|1}}}}

其中 <math>X_t^j </math> 表示第 j 维 t 时刻的微观变量，<math>V_t ; V_{t+1} </math> 分别代表两个连续时间的宏观状态变量。Rosas 等人定义，当 <math>\mathrm{\Psi}>0 </math> 时，系统发生涌现；但是当 <math>\mathrm{\Psi}<0 </math>，我们不能确定 <math>V </math> 是否发生涌现，这是因为该条件仅仅是因果涌现发生的充分条件。

* 判断[[向下因果]]的指标：

<math>\Delta_{t, t+1}(V):=\max _j\left(I\left(V_t ; X_{t+1}^j\right)-\sum_i I\left(X_t^i ; X_{t+1}^j\right)\right) </math>

当 <math>\mathrm{\Delta}>0 </math> 时，宏观状态 <math>V </math> 对微观变量 <math>X</math> 存在[[向下因果]]。

* 判断[[因果解耦]]的指标：

<math>\Gamma_{t, t+1}(V):=\max _j I\left(V_t ; X_{t+1}^j\right) </math>

当 <math>\mathrm{\Delta}>0 </math> 且 <math>\mathrm{\Gamma}=0 </math> 时，系统发生因果涌现且存在[[因果解耦]]。

之所以我们可以使用 <math>\mathrm{\Psi} </math> 来识别因果涌现的发生，是因为 <math>\mathrm{\Psi} </math> 又是特有信息的下界，我们有如下关系：

<math>Un(V_t;X_{t+1}|X_t) ≥ I\left(V_t ; V_{t+1}\right)-\sum_j I\left(X_t^j ; V_{t+1}\right) + Red(V_t, V_{t+1};X_t) </math>

由于 <math>Red(V_t, V_{t+1};X_t) </math> 为非负数，所以我们可以据此提出一个充分非必要条件：当 <math>\Psi_{t, t+1}(V) > 0 </math>。

总结来看，该方法因为是基于互信息的，所以计算比较方便，且对系统的动力学没有马尔科夫性的假设和要求。但是，该理论也存在很多缺点：1）该方法提出的三个指标：<math>\mathrm{\Psi} </math> ,<math>\mathrm{\Delta} </math> 和<math>\mathrm{\Gamma} </math> 只是基于[[互信息]]的计算而没有考虑因果；2）该方法得到的仅仅是发生因果涌现的充分条件；3）该方法依赖宏观变量的选择，而不同的选择会对结果造成不同的显著影响；4）当系统具有大量冗余信息，或具有许多变量时，该方法的[[计算复杂度]]就会很高，同时由于 <math>\Psi </math> 为近似计算，因此这会让高维系统存在非常大的误差，而且还非常容易得到负值，从而无法判断是否有因果涌现发生。

为了验证猕猴运动有关的信息是其皮层活动的一个涌现特征，Rosas 等做了如下实验：基于猕猴的皮质脑电图（ECoG）作为微观动力学的观测数据。为了得到宏观态变量 <math>V</math>，作者们选择了用动作捕捉（MoCap）得到的猕猴肢体运动轨迹的时间序列数据，其中 ECoG 和 MoCap 分别由 64 个通道和 3 个通道的数据构成的。由于最原始的 MoCap 数据不满足随附特征的条件独立假设，因此，他们利用[[偏最小二乘]]和[[支持向量机]]算法，推断出与预测猕猴行为有关的编码在 ECoG 信号中的那部分神经活动，并推测该信息是潜在神经活动的涌现特征。最后，作者们基于微观状态和计算所得的宏观特征，验证了因果涌现的存在。

=====基于机器学习的方法=====
Kaplanis 等人<ref name="learning_ce_represent">Kaplanis, C., Mediano, P. and Rosas, F., 2023. Learning causally emergent representations. In NeurIPS 2023 workshop: Information-Theoretic Principles in Cognitive Systems.</ref>基于[[表示机器学习]](Representation learning)的理论方法，用算法通过最大化 <math>\mathrm{\Psi} </math>（即公式{{EquationNote|1}}）而自发学习到宏观态变量 <math>V</math> 变量。具体的，作者们使用神经网络 <math>f_{\theta}</math> 来学习将微观输入 <math>X_t</math> 粗粒化成宏观输出 <math>V_t</math> 的表示函数，同时使用神经网络 <math>g_{\phi}</math> 和 <math>h_{\xi}</math> 来分别学习 <math>I(V_t;V_{t+1})</math> 和 <math>\sum_i(I(V_{t+1};X_{t}^i))</math> 等互信息的计算，最后该方法通过最大化两者之间的差(即 <math>\mathrm{\Psi} </math>)来优化神经网络。该神经网络系统的架构图如下图a所示。

[[文件:学习因果涌现表征的架构.png|居左|600x600像素|学习因果涌现表征的架构]]

图b展示了一个 toy 模型实例，微观输入 <math>X_t(X_t^1,...,X_t^6) \in \left\{0,1\right\}^6</math> 存在 6 个维度，每个维度存在 0 和 1 两种状态，<math>X_{t+1}</math> 是 <math>X_{t}</math> 的下一时刻输出，宏观态为 <math>V_{t}=\oplus_{i=1}^{5}X_t^i</math>，其中 <math>\oplus_{i=1}^{5}X_t^i</math> 表示微观输入 <math>X_t</math> 前 5 个维度加和模 2 的结果，前后两个时刻的宏观态存在 <math>\gamma</math> 概率相等（<math>p(\oplus_{j=1..5}X_{t+1}^j=\oplus_{j=1..5}X_t^j)= \gamma</math>），微观输入的前后两个时刻的第6个维度以 <math>\gamma_{extra}</math> 概率的可能性相等（<math>p(X_{t+1}^6=X_t^6)= \gamma_{extra}</math>）。

结果表明，在图b所示的简单例子中，通过图a构建的模型最大化 <math>\mathrm{\Psi} </math>，实验发现学习出来的 <math>\mathrm{\Psi} </math> 和真实的 groundtruth <math>\mathrm{\Psi} </math> 近似相等验证了模型学习的有效性，该系统能够正确地判断出因果涌现的发生。但是该方法也存在着难以应对复杂多变量情形的问题，这是因为图中的右侧的神经网络数量是正比于宏微观变量对的数量的，因此微观变量数（维度）越多，则神经网络的数量就会成比例增长，这会导致计算复杂度的提升。此外，该方法仅在很少的案例上进行测试，因此尚无法规模化。最后，更主要的是，因为网络计算的是因果涌现的近似指标，且得到的是涌现的充分非必要条件，所以上述近似算法的各种弊端会被此方法继承。

====神经信息压缩方法====
近年来，新兴的[[人工智能]]技术已经攻克一系列重大难题，同时机器学习方法配备了各种精心设计的[[神经网络]]结构和[[自动微分]]技术，可以在巨大的函数空间中逼近任何函数。因此，[[张江]]等尝试基于神经网络提出一种基于数据驱动的能够从时间序列数据中识别因果涌现的方法<ref name="NIS">Zhang J, Liu K. Neural information squeezer for causal emergence[J]. Entropy, 2022, 25(1): 26.</ref><ref name="nis+">Yang, M., Wang, Z., Liu, K., Rong, Y., Yuan, B., & Zhang, J. (2025). Finding emergence in data by maximizing effective information. National Science Review, 12(1), nwae279.</ref>，该方法能自动提取有效的粗粒化策略和宏观动力学，克服了 Rosas 方法<ref name=":5" />的种种不足。

在该工作中，输入的是时间序列数据 <math>(X_1,X_2,...,X_T ) </math>，且<math>X_t\equiv (X_t^1,X_t^2,…,X_t^p ) </math>，<math>p </math> 表示输入数据的维数。作者假设，这组数据是由一个一般的[[随机动力系统]]产生：

<math>\frac{d X}{d t}=f(X(t), \xi) </math>

其中 [math]X(t)[/math] 是微观状态变量，[math]f[/math] 是微观动力学，<math>\xi </math> 表示系统动力学中的噪音，可以建模动力系统中的随机特性。但是，<math>f</math> 是未知的。

所谓的因果涌现识别问题是指这样的一个泛函优化问题：

{{NumBlk|:|
<math>
\begin{aligned}&\max_{\phi,f_{q},\phi^{\dagger}}\mathcal{J}(f_{q}),\\&s.t.\begin{cases}\parallel\hat{X}_{t+1}-X_{t+1}\parallel<\epsilon,\\\hat{X}_{t+1}=\phi^{\dagger}\left(f_{q}(\phi(X_{t})\bigr)\right).\end{cases}\end{aligned}
</math>
|{{EquationRef|2}}}}

这里，[math]\mathcal{J}[/math] 为维度平均的 <math>EI</math>（参见[[有效信息]]词条），<math>\mathrm{\phi} </math> 为粗粒化策略函数，<math>f_{q} </math> 为宏观动力学，<math>q </math> 为粗粒化后的宏观态维度，[math]\hat{X}_{t+1}[/math] 是整个框架对 <math>t+1</math> 时刻的微观态的预测，这一预测是将 <math>t+1</math> 时刻的宏观态预测 [math]\hat{Y}_{t+1}[/math] 进行反粗粒化操作（[math]\phi^{\dagger}[/math] 为反粗粒化函数）得到；这里 [math]\hat{Y}_{t+1}\equiv f_q(Y_t)[/math] 为动力学学习器根据 <math>t</math> 时刻的宏观态 [math]Y_t[/math] 对 <math>t+1</math> 时刻宏观态的预测，其中 [math]Y_t\equiv \phi(X_t)[/math] 为 <math>t</math> 时刻的宏观态，它是对 [math]X_t[/math] 进行粗粒化 [math]\phi[/math] 而得来。最后，将 [math]\hat{X}_{t+1}[/math] 与真实的微观态数据 [math]X_{t+1}[/math] 进行求差比较，即得到微观的预测误差。

整个优化框架如下图所示：

[[文件:NIS_Optimization.png|替代=NIS优化框架|居左|400x400像素|NIS优化框架]]

这一优化问题的目标函数为 <math>EI</math>，它是函数 [math]\phi,\hat{f}_q,\phi^{\dagger}[/math] 的泛函（这里宏观维度 [math]q[/math] 是超参），因此较难优化，我们需要使用机器学习的方法来尝试解决。

=====NIS=====
为了识别系统中的因果涌现，作者提出一种[[神经信息压缩器]]（Neural Information Squeezer，NIS）神经网络架构<ref name="NIS" />，该架构基于一种编码器-动力学学习器-解码器框架，即模型由三个部分构成，分别用于对原始数据进行粗粒化得到宏观态、拟合宏观动力学和反粗粒化运算（将宏观态配合随机噪声解码为微观态）。其中，作者们用[[可逆神经网络]]（INN）构建编码器（Encoder）和解码器（Decoder），分别近似对应粗粒化函数[math]\phi[/math]和反粗粒化函数 [math]\phi^{\dagger}[/math]。之所以采用[[可逆神经网络]]是因为我们可以简单倒置该网络就可以得到反粗粒化函数（即 [math]\phi^{\dagger}\approx \phi^{-1}[/math]）。该模型框架可以看成是一个神经信息压缩器，将包含噪音的微观态数据置入一个狭窄的信息通道，压缩成宏观态，丢弃无用的信息，从而使得宏观动力学的因果性更强，之后再解码成微观状态的预测。NIS方法的模型框架如下图所示：

[[文件:NIS模型框架图.png|居左|500x500像素|替代=NIS模型框架图|NIS模型框架图]]

具体的，编码器函数 [math]\phi[/math] 由两部分构成：

<math>
\phi\equiv \chi\circ\psi
</math>

其中 [math]\psi[/math] 为一个可逆函数，由一个[[可逆神经网络]]来实现，[math]\chi[/math] 为[[投影函数]]，即去除 [math]p[/math] 维向量中的后 [math]p-q[/math] 个维度分量，这里 [math]p,q[/math] 分别为微观态和宏观态的维度。[math]\circ[/math] 为函数的合成操作。

解码器为函数 [math]\phi^{\dagger}[/math]，它定义为：

<math>
\phi^{\dagger}(y)\equiv \psi^{-1}(y\bigoplus z)
</math>

这里 [math]z\sim\mathcal{Ν}\left (0,I_{p-q}\right )[/math] 为一个 [math]p-q[/math] 维随机向量，服从标准正态分布。

然而，如果我们直接优化维度平均的[[有效信息]]会存在着一定的困难，文章<ref name="NIS" />并没有直接优化公式{{EquationNote|1}}，而是采用了一种取巧的方法。为了解决这个问题，作者将优化过程分为两个阶段，第一个阶段为在给定宏观尺度 <math>q </math> 的情况下最小化微观态预测误差，即 <math>\min _{\phi, f_q, \phi^{\dagger}}\left\|\phi^{\dagger}(Y(t+1))-X_{t+1}\right\|<\epsilon </math> 并得到最优的宏观态动力学 [math]f_q^\ast[/math]；第二阶段为搜索超参 <math>q </math>，使得有效信息 [math]\mathcal{J}[/math] 能够最大化，即 <math>\max_{q}\mathcal{J}(f_{q}^\ast) </math> 。实践证明，这种方法可以有效地找到宏观动力学和粗粒化函数，但是并不能真正地事先使 EI 最大化。

除了能基于时序数据自动识别因果涌现，该框架还有很好的理论性质，其中有两个重要定理：

'''定理一'''：神经信息挤压器的[[信息瓶颈]]，即对于任意的双射 <math>\mathrm{\psi} </math>、投影 <math>\chi </math>、宏观动力学 <math>f </math>以及高斯噪音 <math>z_{p-q}\sim\mathcal{Ν}\left (0,I_{p-q}\right ) </math>，

<math>
I\left(Y_t;Y_{t+1}\right)=I\left(X_t;{\hat{X}}_{t+1}\right)
</math>

恒成立，这意味着，编码器丢弃的所有信息实际上都是与预测无关的噪声信息。

'''定理二'''：对于一个训练好的模型，<math>I\left(X_t;{\hat{X}}_{t+1}\right)\approx I\left(X_t;X_{t+1}\right)</math>，因此，综合定理一和定理二，我们可以得到对于一个训练好的模型：

<math>
I\left(Y_t;Y_{t+1}\right)\approx I\left(X_t;X_{t+1}\right)
</math>

======与经典理论的比较======
[[NIS]]框架与前面章节中提到的[[计算力学]]框架存在很多相似之处，NIS 可以被视为一种 <math>\epsilon</math>- machine。[[计算力学]]中的所有历史过程构成的集合 <math>\overleftarrow{S}</math> 可以被看作是微观状态，所有 <math>R \in \mathcal{R} </math> 表示宏观状态，函数 <math>\eta </math> 可以理解为一种粗粒化函数，<math>\epsilon </math> 可以理解为一种有效的粗粒化策略，<math>T</math> 对应于有效的宏观动力学。最小随机性指标特征表征了宏观动力学的确定性，在因果涌现中可以用[[有效信息]]替代。当整个框架训练充分的时候，可以精确地预测未来的微观状态时，编码的宏观状态收敛到有效状态，而有效状态可以被视为计算力学中的[[因果态]]。

同时[[NIS]]框架与前面提到的 G-emergence 理论也有相似之处，例如，[[NIS]]同样采用了[[格兰杰因果关系|格兰杰因果]]的思想：通过预测下一个时间步的微观状态来优化有效的宏观状态。然而，这两个框架之间有几个明显的区别：a）在 G-emergence 理论中，宏观状态需要人工选择，而[[NIS]]则是通过自动优化粗粒化策略来得到宏观状态的；b）NIS使用神经网络来预测未来状态，而 G-emergence 使用自回归技术来拟合数据。

======计算实例======
NIS 作者在[[弹簧振子模型]]中进行了实验，结果如下图所示，图a展示下一时刻通过编码的结果与通过宏观动力学的迭代结果线性重合验证了模型的有效性，图 b 展示了学习到的两个动力学和真实的动力学同样重合，进一步验证了模型的有效性，图 c 是模型多步预测的效果，预测和真实的曲线很接近，图 d 展示了不同尺度下的因果涌现大小，发现在尺度为2时因果涌现最显著，对应了真实的弹簧振子模型也只需要两个状态（位置和速度）就可以描述整个系统。

[[文件:弹簧振子模型1.png|居左|600x600像素|替代=弹簧振子模型1|弹簧振子模型]]

=====NIS+=====
NIS 虽然率先提出了对 EI 进行优化，从而在数据中辨识因果涌现的方案，但是该方法存在一些不足：作者将优化过程分为两个阶段，但是并没有真正的最大化有效信息，即公式{{EquationNote|1}}。因此，[[杨明哲]]等人<ref name="nis+" />进一步改进该方法，提出了 [[NIS+]] 方案，通过引入反向动力学以及[[重加权技术]]，借助[[变分不等式]]将原始的最大化有效信息转换成最大化其变分下界来直接优化目标函数。

======数学原理======
具体地，根据变分不等式和[[逆概率加权]]方法，公式{{EquationNote|2}}所给出的带约束的优化问题可以转变为如下不带约束的最小化问题：

<math>\min_{\omega,\theta,\theta'} \sum_{i=0}^{T-1}w(\boldsymbol{x}_t)||\boldsymbol{y}_t-g_{\theta'}(\boldsymbol{y}_{t+1})||+\lambda|| \hat{\boldsymbol{x}}_{t+1}-\boldsymbol{x}_{t+1} ||</math>

其中 <math>g</math> 是反向动力学，它可以通过神经网络来近似，并通过宏观态的数据对[math]y_{t+1},y_{t}[/math]训练得到。<math>w(x_t)</math> 为逆概率权值，具体计算方式如下所示：

<math>
w(\boldsymbol{x}_t)=\frac{\tilde{p}(\boldsymbol{y}_t)}{p(\boldsymbol{y}_t)}=\frac{\tilde{p}(\phi(\boldsymbol{x}_t))}{p(\phi(\boldsymbol{x}_t))}
</math>

其中 <math>\tilde{p}(\boldsymbol{y}_{t})</math> 是目标分布，<math>p(\boldsymbol{y}_{t})</math> 是数据的原始分布。

======工作流与模型架构======
下图展示了 NIS+ 的整个模型框架，图 a 是模型的输入：时间序列数据，可以是轨迹序列、连续图像序列以及脑电时间序列数据等；图c是模型的输出，包括因果涌现的程度、宏观动力学、涌现模式以及粗粒化策略；图b是具体的模型架构，区别于 NIS 方法，增加了反向动力学和重加权技术两部分。

[[文件:NIS+.png|居左|600x600像素|替代=NIS模型框架图|NIS+模型框架图]]

======实例分析======
文章对不同的时间序列数据集进行了实验，包括疾病传播动力系统模型[[SIR动力学]]、鸟群模型（[[Boids模型]]）和元胞自动机：[[生命游戏]]所生成的数据，以及真实人类被试的[[脑神经系统]]fMRI信号数据，这里我们选择鸟群和脑信号分别实验进行介绍说明。

下图为 NIS+ 学习 Boids 模型的群集行为的实验结果。(a)和(e)给出了不同条件下鸟群的实际和预测轨迹。具体来说，作者将鸟群分为两个组，并且比较了在不同噪声水平（<math>\alpha</math> 分别为 0.001 和 0.4）下的多步预测结果，在噪音比较小时预测很好，在噪音比较大时预测曲线会发散。(b)展示了多步预测的平均绝对误差（MAE）随着半径 r 的增加而逐渐上升。(c)展示了不同维度(q)下的[[因果涌现度量]] <math>\Delta J</math> 与预测误差（MAE）随着训练 epoch 的变化，作者发现在宏观态维度 q = 8 时因果涌现最显著。(d)为宏观变量对微观变量进行归因分析，得到的显著性图，直观地描述了学习得到的粗粒化函数。其中，每个宏观维度可以对应到每只鸟的空间坐标（微观维度），颜色越深表示关联度越高。这里用橙色点突出了每个宏观状态维度最大关联所对应的微观坐标，这些归因显著性值是使用的[[积分梯度]]（Integrated Gradient，简称 IG）方法得到的。横轴表示 16 只鸟在微观状态下的 x 和 y 坐标，纵轴表示 8 个宏观维度。淡蓝色的虚线区分了不同个体 Boid 的坐标，而蓝色实线分隔了两个鸟群。(f)和(g)表示不同噪声水平下因果涌现度量 <math>\Delta J</math> 和归一化误差MAE的变化趋势，(f)表示外部噪声的变化(即观测噪音加入到微观数据)对因果涌现的影响， (g)表示内在噪声(用 <math>\alpha</math> 表示，通过修改 Boids 模型的动力学加入)对因果涌现的影响。在(f)和(g)中，水平线表示违反公式 {{EquationNote|1}} 中误差约束的阈值。当归一化 MAE 大于阈值 0.3 时，约束遭到破坏，结果不可靠。

这组实验表明，[[NIS+]]可以通过最大化EI来学习宏观状态和粗粒化策略。这种最大化增强了模型对超出训练数据范围情况的泛化能力。学习到的宏观状态有效地识别了平均[[群体行为]]，并且可以使用梯度积分方法将其归因于个体位置。此外，因果涌现的程度随外在噪声的增加而增加，而随内在噪声的增加而减少。这一观察结果表明，模型通过粗粒化可以消除外在噪声，而不能削减内在噪声。

[[文件:NIS+ boids.png|居左|700x700像素|鸟群中的因果涌现]]

脑实验是基于真实的 fMRI 数据，该数据通过对 830 个人类被试做了两组实验得到。第一组是让被试执行看一段电影短片的视觉任务记录完成，第二组实验是让他们处于静息态下记录完成。由于原始维度比较高，作者们首先通过使用 [[Schaefer atlas]] 方法对原始的 14000 维数据降维到 100 个维度，每个维度对应一个脑区。之后，作者们通过 NIS+ 学习这些数据，并提炼出 6 个不同宏观尺度下的动力学，图 a 展示了不同尺度下的多步预测误差结果，图 b 展示了在静息态和看电影视觉任务中 NIS 与 NIS+ 方法在不同宏观维度上 EI 的对比。作者们发现在视觉任务中，宏观态维度在 q=1 时因果涌现最显著，通过归因分析发现视觉区发挥的作用最大(图 c)，与真实的场景保持一致。图d展示了脑区归因的不同视角图。而在静息态下，1 个宏观维度不足以预测微观时间序列数据，因果涌现最大的维度是表现在 3-7 维之间。

[[文件:NIS+ 脑数据.png|居左|700x700像素|脑神经系统中的因果涌现]]

这些实验表明 NIS+ 不仅可以辨识数据中的因果涌现、发现涌现的宏观动力学和粗粒化策略，而且另外的实验还表明，[[NIS+]] 模型还能够通过 EI 最大化而增加模型的分布外泛化能力。

==应用==
本小节主要讲解因果涌现在各个[[复杂系统 Complex Systems|复杂系统]]中的潜在应用，包括: 生物系统、[[神经网络]]、脑神经系统、[[人工智能]]([[因果表示学习]]、[[基于世界模型的强化学习]]、[[因果模型抽象]])以及在一些其他的潜在应用（包括意识研究和中国古典哲学）等。

===复杂网络中的因果涌现===
2020 年，Klein 和 Hoel 改进马尔科夫链上定量化因果涌现的方法以应用到[[复杂网络]]中<ref>Klein B, Hoel E. The emergence of informative higher scales in complex networks[J]. Complexity, 2020, 20201-12.</ref>，作者借助[[随机游走子]]来定义网络中的[[马尔科夫链]]，将随机游走子放在节点上等价于对节点做干预，然后基于随机游走概率定义节点间的转移概率矩阵。同时作者将[[有效信息]]与网络的连通性建立联系，连通性可以通过节点的出边和入边的权重的不确定性来表征，基于此定义复杂网络中的有效信息。详细方法可以参考[[复杂网络中的因果涌现]]。

作者在[[随机网络模型|随机网络]]（ER）、[[偏好依附网络模型]]（PA）等人工网络以及四类真实网络中进行了实验比较，发现：对于ER网络来说，有效信息的大小只依赖于连接概率 <math>p </math>，并且随着网络规模的增大会收敛到数值 <math>-\log_2p </math>。同时一个关键发现表明，EI数值存在一个相变点，该相变点近似在网络的[[平均度]]（<math><k> </math>）等于 <math>\log_2N </math> 的位置出现，同样对应于ER网络随着连接概率增加而出现[[巨连通集团]]的[[相变点]]位置，超过该相变点随机网络结构不会随着其规模的增加而包含更多的信息。对于偏好依附模型网络来说，当网络[[度分布]]的幂律指数 <math>\alpha<1.0 </math> 时，有效信息的大小会随着网络规模的增加而增大；当 <math>\alpha>1.0 </math> 时，结论相反；<math>\alpha=1.0 </math> 刚好对应的[[无标度网络]]则是增长的[[临界边界]]。对于真实网络来说，作者们发现，生物网络因为具有很大的噪音，所以有效信息最低。然而，我们可以通过有效的粗粒化去除这些噪音，这就使得生物网络相比于其他类型网络能够展现出更显著的因果涌现现象；而因为技术类型网络是更稀疏、非退化，因此，平均效率更高，节点关系也更加具体，所有有效信息也最高，但是难以通过粗粒化来增加因果涌现度量。

在该文章中，作者使用[[贪婪算法]]来粗粒化网络，然而对于大规模网络来说，这种算法效率很低。随后，Griebenow 等<ref>Griebenow R, Klein B, Hoel E. Finding the right scale of a network: efficient identification of causal emergence through spectral clustering[J]. arXiv preprint arXiv:190807565, 2019.</ref>提出了一种基于[[谱聚类]]的方法来识别[[偏好依附网络]]中的因果涌现。相比[[贪婪算法]]以及[[梯度下降算法]]，[[谱聚类算法]]的计算时间更少，同时找到的宏观网络的因果涌现也更加显著。

===在生物网络上的应用===
进一步，Klein 等人将[[复杂网络中的因果涌现]]方法扩展到了更多的生物网络中。前文已经指出，[[生物网络]]具有更大的噪音，这使得我们很难理解其内部的运作原理，这种噪音一方面来自系统的固有噪音，另一方面是由于测量或观察引入的。Klein 等<ref>Klein B, Swain A, Byrum T, et al. Exploring noise, degeneracy and determinism in biological networks with the einet package[J]. Methods in Ecology and Evolution, 2022, 13(4): 799-804.</ref>进一步探索了生物网络中的噪声、[[简并性]]和[[确定性]]三者之间的关系以及具体含义，得出了一些有趣的结论。

例如，基因表达网络中的高[[确定性]]可以理解为一个基因几乎肯定会导致另一个基因的表达。同时生物系统在进化过程中也普遍存在高[[简并性]]现象。这两个因素共同导致，目前人们尚不清楚应该在何种尺度上分析生物系统才能更好理解它们的功能。Klein 等<ref>Klein B, Hoel E, Swain A, et al. Evolution and emergence: higher order information structure in protein interactomes across the tree of life[J]. Integrative Biology, 2021, 13(12): 283-294.</ref>分析了超过 1800 个物种的[[蛋白质相互作用网络]]，发现宏观尺度的网络具有更小的噪音和[[简并性]]，同时与不参与宏观尺度的节点相比，组成宏观尺度网络中的节点更具有弹性。因此，生物网络为了适应进化的要求，需要演化出宏观尺度以提高确定性来增强[[网络弹性]]以及提高信息传输的有效性。

Hoel 等在文章<ref>Hoel E, Levin M. Emergence of informative higher scales in biological systems: a computational toolkit for optimal prediction and control[J]. Communicative & Integrative Biology, 2020, 13(1): 108-118.</ref>中借助[[有效信息]]理论进一步研究了生物系统中的因果涌现。作者将有效信息应用到[[基因调控网络]]上，以识别最能提供信息的心脏发育模型从而控制哺乳动物的心脏发育。通过量化酿酒酵母基因网络的[[最大联通集团]]中的因果涌现，文章揭示了富有信息的宏观尺度在生物学中是普遍存在的，以及生命机制本身也经常运行在宏观尺度上。该文章也为生物学家提供了一种可计算的工具来识别最具有信息的宏观尺度，并且可以在此基础上建模、预测、控制和理解复杂的生物系统。

Swain 等在文章<ref>Swain A, Williams S D, Di Felice L J, et al. Interactions and information: exploring task allocation in ant colonies using network analysis[J]. Animal Behaviour, 2022, 18969-81.</ref>中探索了蚁群的交互历史对任务分配和任务切换的影响，使用有效信息研究噪声如何在蚂蚁之间传播。结果发现，蚁群之间历史交互程度影响任务的分配，并且具体交互中蚂蚁群体的类型决定了交互中的噪音。此外，即使当蚂蚁切换功能群时，蚁群涌现出来的凝聚力也能保证群体的稳定，同时不同功能蚁群在维持蚁群凝聚力方面也发挥着不同的作用。

===在人工神经网络上的应用===
Marrow 等人在文章<ref>Marrow S, Michaud E J, Hoel E. Examining the Causal Structures of Deep Neural Networks Using Information Theory[J]. Entropy, 2020, 22(12): 1429.</ref>中尝试将[[有效信息]]引入[[神经网络]]，来量化和跟踪训练过程中神经网络[[因果结构]]的变化，其中[[有效信息]]用于评估节点和边对每层下游目标的因果的影响程度，这里每层神经网络的有效信息 EI 定义为：

<math>
I(L_1;L_2|do(L_1=H^{max}))
</math>

这里的 <math>L_1</math> 和 <math>L_2</math> 分别表示连接神经网络的输入和输出层，这里将输入层整体do成均匀分布，然后计算因和果之间的互信息。[[有效信息]]可以被分解为灵敏性和简并性，这里的灵敏性定义为：

<math>
\sum_{(i \in L_1,j \in L_2)}I(t_i;t_j|do(i=H^{max}))
</math>

这里 i，j 分别代表输入层和输出层的任意神经元组合，<math>t_i</math> 和 <math>t_j</math> 分别表示输入和输出层中的神经元在神经网络机制不变的条件下，干预 i 为最大熵分布后的状态组合。也就是说，如果干预输入神经元 i 为均匀分布，则输出神经元也会发生改变，那么这一数值即度量二者之间的互信息。

这里应该区别于有效信息的定义，这里是对输入层中的每一个神经元分别进行do干预，然后将每两个神经元计算出来的互信息进行累加作为灵敏性的定义，简并性通过有效信息与灵敏性的差得到，定义为：

<math>
I(L_1;L_2|do(L_1=H^{max}))-\sum_{(i \in L_1,j \in L_2)}I(t_i;t_j|do(i=H^{max}))
</math>

通过观察模型训练过程中的有效信息，包括[[灵敏性]]和[[简并性]]的变化，就可以知道模型的泛化能力，从而帮助学者更好的理解和解释神经网络的工作原理。

===在脑神经系统上的应用===
脑神经系统是一个涌现的多尺度[[复杂系统 Complex Systems|复杂系统]]，Luppi 等人<ref>Luppi, A. I., Mediano, P. A., Rosas, F. E., Allanson, J., Pickard, J., Carhart-Harris, R. L., ... & Stamatakis, E. A. (2024). A synergistic workspace for human consciousness revealed by integrated information decomposition. Elife, 12, RP88173.</ref>基于[[整合信息分解]]，揭示了人类[[意识]]的协同工作空间。作者构建了脑认知的三层架构，包括：外部环境、具体的模块以及协同全局空间。大脑的工作原理主要包括三个阶段：第一个阶段负责将来自多个不同模块的信息收集到工作空间中，第二个阶段负责在工作空间中整合收集到的信息，第三个阶段负责将全局信息广播到大脑的其他部分。作者在三类不同静息态的 fMRI 数据上进行实验，包括 100 个正常人、15 个参与麻醉实验的被试者（包括麻醉前、麻醉以及恢复三种不同状态）以及 22 个慢性意识障碍（DOC）的被试者。该文章使用[[整合信息分解]]得到[[协同信息]]和[[冗余信息]]，以及使用修正后的[[整合信息值]] <math>\Phi_R</math>，来计算每两个脑区之间的协同和冗余值，从而得到每个脑区发挥更大作用的因素是协同还是冗余。同时，他们对比有意识人的数据，发现无意识人的[[整合信息]]发生显著降低的区域都属于[[协同信息]]发挥更大作用的脑区，同时发现整合信息显著降低的区域都属于 DMN（Default Mode Network）这样的功能区，从而定位到对于发生意识具有显著作用的脑区。

===在人工智能系统上的应用===
因果涌现理论与[[人工智能]]领域也存在着非常强的联系，这体现为：首先，因果涌现识别问题的机器学习解决方案其实就是一种[[因果表示学习]]的应用；其次，[[有效信息]]的最大化等技术也有望应用到[[因果机器学习]]等领域。

====因果表示学习====
[[因果表示学习]]是人工智能中的一个新兴领域，它试图将机器学习中的两个重要领域：[[表示学习]]和[[因果推断]]结合起来，尝试结合各自的优势，自动提取数据背后的重要特征和因果关系<ref>B. Sch ̈olkopf, F. Locatello, S. Bauer, N. R. Ke, N. Kalchbrenner, A. Goyal, Y. Bengio, Toward causal representation learning, Proceedings of the IEEE 109 (5) (2021) 612–634.</ref>。基于有效信息的因果涌现识别可以等价于一种因果表示学习任务。从数据中识别因果关系的涌现，等价于学习数据背后的潜在因果关系与因果机制。具体来说，我们可以把宏观状态看成因果变量，宏观动力学类比为因果机制，粗粒化策略可以看作是一个从原始数据到因果变量的编码过程或表示（Representation），有效信息可以理解为对机制的因果效应强度的衡量。

由于这两者存在很多相似之处，这就使得两个领域的技术和概念可以相互借鉴。例如，[[因果表示学习]]技术可以应用于[[因果涌现识别]]，反过来，学习到的抽象因果表征可以被解释为一种宏观状态，从而增强因果表示学习的可解释性。但是两者也存在显著差异，主要包括两点：1）因果表示学习假设其背后存在一个真实的[[因果机制]]，数据是由这个因果机制产生的，然而宏观层面涌现出的状态和动力学之间可能并不存在“真正的因果关系”；2）因果涌现中的粗粒化后的宏观状态是一种低维的描述，然而因果表示学习中并没有这个要求。从认识论的视角看，两者并不存在差异，因为两者所做的都是从观察数据中提取有效信息的，从而获得具有因果效应更强的表征。

为了更好地对比因果表示学习和因果涌现识别任务，我们列出了下表：

{| class="wikitable" style="text-align:center;"
|+因果表示学习与因果涌现识别的比较
|-
!对比!!因果表示学习!!因果涌现识别
|-
|'''数据'''||由真实生活中某些因果机制产生的原始数据宏观状态||微观状态的观测(时间序列)
|-
||'''隐变量'''||因果表征||宏观状态
|-
||'''因果机制'''||因果机制||宏观动力学
|-
|'''数据和隐变量之间的映射'''||表征||粗粒化函数
|-
|'''因果关系优化'''||预测损失，解纠缠||EI最大化
|-
|'''目标'''||寻找原始数据的最优表示，以确保通过表示可以实现独立的因果机制||寻找一个有效的粗粒化策略以及具有强因果效应的宏观动力学
|}

====有效信息在因果机器学习中的应用====
因果涌现能够在分布外场景中增强[[机器学习]]的性能，<math>EI</math> 中引入的 do 干预捕获了数据生成过程中的因果依赖性，抑制了虚假相关，从而补充了基于关联的机器学习算法，建立了 <math>EI</math> 与[[分布外泛化]]（Out Of Distribution，简称OOD）的联系<ref name="Emergence_and_causality_in_complex_systems">{{cite journal|author1=Yuan, B|author2=Zhang, J|author3=Lyu, A|author4=Wu, J|author5=Wang, Z|author6=Yang, M|author7=Liu, K|author8=Mou, M|author9=Cui, P|title=Emergence and causality in complex systems: A survey of causal emergence and related quantitative studies|journal=Entropy|year=2024|volume=26|issue=2|page=108|url=https://www.mdpi.com/1099-4300/26/2/108}}</ref>。由于[[有效信息]]的通用性，因果涌现可以应用于监督机器学习来评估特征空间 <math>X</math> 与目标空间 <math>Y</math> 之间的因果关系强度，从而提高从原因(特征)到结果(目标)的预测准确性。值得注意的是，对观测值从 <math>X</math> 到 <math>Y</math> 的直接拟合足以满足具有 i.i.d.假设的常见预测任务，这意味着训练数据和测试数据是[[独立同分布]]的。然而，如果样本是从训练分布之外抽取的，就必须学习一个从训练到测试环境的泛化表示空间。由于人们普遍认为因果关系的泛化性优于[[统计相关性]]<ref>Arjovsky, M.; Bottou, L.; Gulrajani, I.; Lopez-Paz, D. Invariant risk minimization. arXiv 2019, arXiv:1907.02893.</ref>，因此，因果涌现理论可以作为表征空间中嵌入因果关系的标准。因果涌现的发生揭示了目标的潜在因果因素，从而产生了一个关于分布外泛化的鲁棒表示空间。因果涌现可能为基于因果理论的分布外泛化提供一个统一的表征度量。<math>EI</math> 也可以看作是分布外泛化的基于重加权的去偏技术的一种信息论抽象。此外，我们猜想，分布外泛化可以在最大化 <math>EI</math> 的同时实现，<math>EI</math> 可能会在原始特征抽象的中期阶段达到顶峰，这与 OOD 泛化的思想一致，即少即是多。理想情况下，当因果涌现发生在 <math>EI</math> 的峰值处，所有非因果特征被排除，因果特征被揭示，从而产生最具信息量的表示。

=====因果模型抽象=====
在复杂系统中，由于微观状态往往存在噪音，人们需要将微观状态进行粗粒化才能得到噪音更小的宏观状态，使得宏观动力学的因果性更强。同样对于解释各类数据的因果模型也一样，由于原始模型过于复杂，或者计算资源受限，所以人们往往需要得到更加抽象的因果模型，并且保证抽象的模型尽可能保持原始模型的[[因果机制]]，这就是所谓的[[因果模型抽象]]（Causal Model Abstraction）。

[[因果模型抽象]]属于人工智能的一个子领域，它特别在因果推理和模型可解释性方面发挥着重要的作用，这种抽象可以帮助我们更好地理解数据中隐藏的因果机制，以及变量之间的相互作用。因果模型抽象通过评估一个高层次模型尽可能模拟一个低层次模型的因果效应的优化来实现<ref>Beckers, Sander, and Joseph Y. Halpern. "Abstracting causal models." Proceedings of the aaai conference on artificial intelligence. Vol. 33. No. 01. 2019.</ref>。如果高层次模型能够概括低层次模型的因果效应，我们称这个高层次模型是低层次模型的因果抽象。

因果模型抽象讨论的也是因果关系与模型抽象(可以看成粗粒化过程)之间的相互作用<ref>S. Beckers, F. Eberhardt, J. Y. Halpern, Approximate causal abstractions, in: Uncertainty in artificial intelligence, PMLR, 2020, pp. 606–615.</ref>。因此，因果涌现识别与因果模型抽象存在很多相似之处，可以把原始的因果机制理解为微观动力学，抽象出来的机制理解为宏观动力学。在 [[NIS |神经信息压缩框架]]中（NIS），研究者对粗粒化策略和宏观动力学进行了限制，要求宏观动力学的微观预测误差要足够小以排除平凡解。这个要求也类似于因果模型抽象中希望抽象后的因果模型与原始模型要尽可能相似。但是两者也存在一些不同：1）因果涌现识别是对状态或数据进行粗粒化，而因果模型抽象是对模型进行粗粒化操作；2）因果模型抽象中考虑了混肴因子，然而这一点却被因果涌现识别的讨论所忽略。

=====基于世界模型的强化学习=====
基于[[世界模型]]的[[强化学习]]假设强化学习主体内部存在一个世界模型，从而可以模拟[[智能主体]]所面对环境的动力学<ref>D. Ha, J. Schmidhuber, World models, arXiv preprint arXiv:1803.10122 (2018).</ref>。世界模型的动力学可以通过智能体与环境的相互作用来学习，从而帮助[[智能体]]对不确定的环境做出计划和决策。同时为了表示复杂的环境，世界模型一定是对环境的粗粒化描述，一个典型的世界模型架构总是包含一个编码器和一个解码器。

基于世界模型的强化学习与因果涌现识别也存在很多相似之处。世界模型也可以被视为一种宏观动力学，环境中的所有状态可以看作是宏观状态，这些可以看成是压缩后的，忽略了无关信息的状态，能捕捉环境中最重要的因果特征，以便智能体可以做出更好的决策。在规划（Planning）过程中，智能体也可以使用世界模型来模拟真实世界的动力学。

两个领域之间的相似性和共同特征可以帮助我们将一个领域的思想和技术借鉴到另一个领域。例如，具有世界模型的智能体可以将复杂系统作为一个整体来进行交互，并从相互作用中获得涌现的因果规律，从而更好的帮助我们做因果涌现识别任务。反过来，最大化有效信息技术也可以被用于强化学习，使世界模型具有更强的因果特性。

===其它潜在应用===
除了上述应用领域之外，因果涌现理论对于其它重要问题还可能存在着巨大的潜在应用价值，例如它对于意识问题的研究以及在中国古典哲学的现代科学解释方面有一定的前景。

====意识研究====
首先，因果涌现理论的提出就与意识科学研究存在着巨大的联系，这是因为因果涌现理论的核心指标[[有效信息]]最早就是 [[Tononi]] 在研究意识的定量理论[[整合信息论]]中提出来的。后经过改造，才被 [[Erik Hoel]] 应用到了马尔科夫链上，并提出因果涌现概念。因此，从这个意义上说，有效信息其实是定量意识科学的副产品。

其次，因果涌现作为复杂系统中的重要概念在意识科学的研究中也起着重要的作用。例如，在意识领域中，一个核心问题是意识究竟是一个宏观尺度的现象还是微观尺度的现象？至今，尚没有直接证据表明意识发生的尺度是多大。因果涌现的深入研究，特别是结合脑神经的实验数据，有可能回答意识现象的发生尺度问题。

再次，因果涌现有可能回答自由意志（Free will）问题。人有没有自由意志？我们做出的决定真的是我们意志的自由选择吗？还是有可能它仅仅是一种幻觉？事实上，如果接受因果涌现概念，并承认宏观的变量会对微观变量产生[[因果力]]，那么人们所有的决策其实都是脑系统自发完成的，而意识仅仅是对这一复杂决策过程进行了某种层面的解释，因而自由意志是一种涌现出的[[向下因果]]。这些问题的回答都有待因果涌现理论的进一步研究。

====中国古典哲学====
与西方科学、哲学不同，[[中国古典哲学]]保留了一套完整而不同的对宇宙进行解释的理论框架，这包括[[阴阳]]、[[五行]]、[[八卦]]，也包括[[占卜]]、[[风水]]、[[中医]]等，并能对宇宙中的各类现象进行完全独立的解释。长久以来，东西方两套哲学始终难以融合。因果涌现思想有可能提供一套新的解释，从而弥合东西方哲学的冲突。

根据因果涌现理论，一套理论的好坏取决于因果性的强弱，也就是 <math>EI</math> 的大小。而不同的粗粒化方案会得到完全不同的宏观理论（宏观动力学）。很有可能，在面对同样的复杂系统研究对象的时候，西方的哲学、科学体系给出的是一套比较具体而微观的因果机制（动力学），而东方哲学则给出了一套更加粗粒化的宏观因果机制。根据因果涌现理论，或者是 Yurchenko 提出的[[因果等价原理]]（Causal Equivalence Principle），这二者完全有可能是相互兼容的。也就是说，对于同样一组现象，东西方按照不同的两套因果机制，都能够做出正确的预测，甚至是干预手段。当然，也有可能在某类问题或现象中，更加宏观尺度的因果机制更具有解释力度或得出好的方案，有的问题或现象，则更加有利于更微观的因果机制。

例如，就用东方哲学中的[[五行]]概念来说，我们完全可以将[[五行]]理解成万事万物的五种宏观态，而[[五行]]的相生相克关系就可以被理解为是这五种宏观态彼此之间的一种宏观因果机制。那么，从万事万物中提炼出[[五行]]这五种状态的认知过程，就是一种粗粒化过程，它依赖于观察者的类象能力。因此，五行理论就可以看作是对万事万物进行抽象的因果涌现理论。同样的，我们还可以将因果涌现的概念应用到更多领域，包括中医、占卜、风水等。这些应用的共同点将会是，它的因果机制相对于西方科学更加简单，也有可能因果性更强，但是得到这种抽象的粗粒化过程则更加复杂，更加依赖于有经验的抽象者。这就解释了为什么东方哲学都强调实践者自身的修为，这是因为，这些东方哲学理论将巨大的复杂性和计算量都放到了'''类象思维'''上。

==批判==
Erik Hoel等人最早提出基于最大化有效信息的因果涌现理论虽然很好刻画了因果涌现现象，并在许多实际系统之中得到了广泛的应用，但是有学者指出，该理论仍然存在着很多缺陷和弊端。这主要体现在哲学层面和马尔科夫动力系统粗粒化的技术层面。

===哲学层面===
纵观历史，关于因果关系和涌现的[[本体论]]和[[认识论]]方面一直存在长期的争论。

例如，Yurchenko 就在文献<ref name='syn_core_down_causation'/>中指出“因果（causation）”这一概念往往是模糊的，应区分为'''原因（cause）'''和'''理由（reason）'''两种不同的概念，它们分别符合本体论和认识论的因果。其中，原因（cause）指的是充分导致结果的真实原因，而理由（reason）则仅仅是观察者对结果的解释。理由可能没有真正的原因那么严格，但它确实提供了一定程度的[[可预测性]]。同样，关于因果涌现的本质也存在争论。

因果涌现是否是一种独立于特定观察者而存在的真实现象？这里需要强调的是，对于 Hoel 的理论，不同的粗粒化策略可以导致不同的宏观动力学机制与不同的因果效应度量结果（<math>EI</math>）。本质上，不同的粗粒化策略可以代表不同的观察者。Hoel的理论通过干预将涌现与因果关系联系起来，以定量的方式引入了因果涌现的概念。Hoel的理论提出了一个消除不同粗粒化方法影响的方案，即 <math>EI</math> 最大化。能够让EI最大的粗粒化方案就是唯一客观的方案。因此，对于给定的一组[[马尔科夫动力学]]，只有使 <math>EI</math> 最大化的粗粒化策略和相应的宏观动力学才能被认为是客观的结果。然而，当最大化 <math>EI</math> 的解不唯一的时候，也就是存在多种能够让 <math>EI</math> 最大化的粗粒化方案时，就会导致该理论的困难，一定程度的主观性就无法避免。

Dewhurst<ref>Dewhurst, J. (2021). Causal emergence from effective information: Neither causal nor emergent?. Thought: A Journal of Philosophy, 10(3), 158-168.</ref>对 Hoel 的理论进行了哲学上的澄清，认为它是认识论的，而不是本体论的。这表明，Hoel 的宏观因果仅仅是一种基于信息论的因果解释，而不涉及“真正的因果”。这也引起了对[[均匀分布]]假设的质疑（参见[[有效信息]]词条），因为没有证据表明它应该优于其他分布。

===技术层面===
====不唯一性====
因果涌现的结果定义为粗粒化后宏观动力学的EI 与原始微观动力学EI之差，因此，该结果明显依赖于粗粒化方案的选择。为了消除这种不确定性，Hoel 等人的引入了最大化有效信息的概念，也就是一个系统中的因果涌现判断和度量是建立在最大化宏观动力学EI的基础之上的。然而，目前尚没有理论保证这种最大化宏观动力学EI的方式能够保证粗粒化方案的唯一性。也就是说，完全有可能多个粗粒化方案会对应同样的宏观动力学 EI。事实上，对于连续映射动力系统的研究已经表明，最大化EI的解是存在着无穷多种可能性的<ref name='An_exact_theory_of_causal_emergence'/>。

====歧义性====
同时有人指出，Hoel 的理论忽略了对粗粒化方法的约束，某些粗粒化方法可能导致歧义和不合理<ref name="Eberhardt">Eberhardt, F., & Lee, L. L. (2022). Causal emergence: When distortions in a map obscure the territory. Philosophies, 7(2), 30.</ref>。

首先，<ref name="Eberhardt"/>指出，如果对粗粒化方案不加约束，有可能在对转移概率矩阵（TPM）进行粗粒化（状态的合并，以及概率的加和处理）的时候产生歧义性（Ambiguity）。例如，当被合并的两个状态所对应的TPM中的两行向量非常不相似的时候，强行合并它们（例如求平均的方式），就会引发歧义。这种歧义主要体现为，对合并后宏观状态的干预究竟是什么含义？由于行向量是不相似的，因此对合并后宏观态的干预就无法简单还原到对微观态的干预。如果强行按照平均的方式将宏观态的干预转化为微观态的干预，则忽略了微观态彼此之间的差异。同时也会引发新的不可交换性的矛盾问题。

====不可交换性====
如果强行将不相似的两个行向量做平均，那么得到的粗粒化的TPM就有可能破坏抽象化操作（即粗粒化）和边际化（marginalization，即时间演化算子）彼此之间的[[可交换性]]。例如假定 <math>A_{m \times n}</math> 是对状态进行粗粒化操作(将n个状态合并为m个状态)，这里的粗粒化策略是使得宏观状态转移矩阵有效信息最大的策略，<math>(\cdot) \times (\cdot)</math> 是时间粗粒化操作(将两个时间步骤合并为一个)。这样 [math]A_{m\times n}(TPM_{n \times n})[/math] 就是对一个 [math]n\times n[/math] 的 TPM 做粗粒化，粗粒化过程就简化为矩阵 [math]A[/math] 与矩阵 [math]TPM[/math] 的乘积。

那么，空间粗粒化和时间粗粒化的可交换性条件，就是如下等式：

{{NumBlk|:|
<math>
A_{m\times n}(TPM_{n \times n}) \times A_{m \times n}(TPM_{n \times n}) = A_{m \times n}(TPM_{n \times n} \times TPM_{n \times n})
</math>
|{{EquationRef|3}}}}

左边表示的是先对连续两个时间步的状态做粗粒化，再将两个时间步的动力学TPM乘到一起，得到一个两步演化的转移矩阵；方程右边表示先将两个时间步的 TPM 乘到一起，得到微观态的两步演化，再用 A 做粗粒化得到宏观的 TPM。该等式的不满足表明某些粗粒化操作会导致宏观状态的演化与微观系统演化后的粗粒化状态存在差异。这意味着需要对粗粒化策略添加某种一致性的约束，例如马尔科夫链可聚类的条件（lumpable），参见[[马尔科夫链的粗粒化]]词条。

然而，如文献<ref name="nis+" />中指出，通过在连续变量空间中最大化EI的同时考虑模型的误差因素，上述问题可以得到缓解。

====其它问题及补救====
除此之外，Hoel 的 <math>EI</math> 计算以及因果涌现的量化，依赖于两个已知的前提因素：(1)已知的微观动力学；(2)已知的粗粒化方案。然而，在实践中，人们很少能够同时获得这两个因素，特别是在观察性研究中，这两个因素可能都是未知的。因此，这一局限性阻碍了 Hoel 理论的实际适用性。

不过，虽然机器学习技术促进了因果关系与因果机制的学习，以及对涌现属性的识别，但重要的是通过机器学习获得的结果是否反映了本体论的因果关系和涌现，或者它们仅仅是一种认识论现象？这一点则尚无定论。尽管机器学习的引入不一定能解决围绕本体论和认识论因果关系和涌现的争论问题，但它可以提供有助于减轻主观性的依赖。这是因为机器学习主体可以被视为一个“客观”的观察者，对因果关系和涌现做出判断，这种判断是独立于人类观察者的。然而，唯一解的问题在这一方法中仍然存在。机器学习的结果是本体论还是认识论的?答案是，结果是认识论的，其中认识主体是机器学习算法。然而，这并不意味着机器学习的所有结果都是无意义的，因为如果学习的主体得到了良好的训练，并且定义的数学目标得到了有效的优化，那么结果也可以被认为是客观的，因为算法本身是客观的，且透明的。结合机器学习方法可以帮助我们建立观察者的理论框架，并研究观察者与相应的被观察复杂系统之间的相互作用。

==相关研究领域==
存在一些相关研究领域与因果涌现理论联系比较紧密，这里我们重点介绍与[[动力学模型约简]]、[[动力学模态分解]]以及[[马尔科夫链的简化]]三个相关领域的区别和联系。

===动力学模型约简===
因果涌现的一个重要的指标就是粗粒化策略的选取，而如果在微观模型已知的时候，对微观态的粗粒化就等价于对微观模型进行'''模型约简'''（Model Reduction）。模型约简是控制论中的一个重要子领域，Antoulas 就曾经写过相关的综述文章<ref name=":15">Antoulas A C. An overview of approximation methods for large-scale dynamical systems[J]. Annual reviews in Control, 2005, 29(2): 181-190.</ref>。

模型约简，就是要将高维的复杂系统动力学模型进行化简、降维，用低维的动力学来描述原系统的演化规律，这一过程其实就是因果涌现研究中的粗粒化过程。对大尺度动力系统的近似方法主要有两大类，即基于奇异值分解<ref name=":15" /><ref>Gallivan K, Grimme E, Van Dooren P. Asymptotic waveform evaluation via a Lanczos method[J]. Applied Mathematics Letters, 1994, 7(5): 75-80.</ref>的近似方法和基于 Krylov<ref name=":15" /><ref name=":17">CHRISTIAN DE VILLEMAGNE & ROBERT E. SKELTON (1987) Model reductions using a projection formulation, International Journal of Control, 46:6, 2141-2169, DOI: 10.1080/00207178708934040 </ref><ref>Boley D L. Krylov space methods on state-space control models[J]. Circuits, Systems and Signal Processing, 1994, 13: 733-758.</ref>的近似方法。前者基于奇异值分解，后者基于矩匹配。虽然前者具有许多理想的性质，包括误差界，但它不能应用于高复杂度的系统。另一方面，后者的优势在于它可以迭代实现，因此适用于高维度的复杂度系统。将这两种方法的优势相结合，就产生了第三类近似方法，即称为 SVD/Krylov 的方法<ref>Gugercin S. An iterative SVD-Krylov based method for model reduction of large-scale dynamical systems[J]. Linear Algebra and its Applications, 2008, 428(8-9): 1964-1986.</ref><ref>Khatibi M, Zargarzadeh H, Barzegaran M. Power system dynamic model reduction by means of an iterative SVD-Krylov model reduction method[C]//2016 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT). IEEE, 2016: 1-6.</ref>。两种方法都是基于粗粒化前后输出函数的误差损失函数来对模型约简效果做评价的，因此，模型约简的目标就是寻找能使误差最小的约简参数矩阵。

一般情况下基于模型约简前后输出函数的误差损失函数可以用来判断粗粒化参数，这一过程默认了系统约简的过程会损失信息量，因此误差最小化是判断约简方法有效性的唯一方法。但是如果从因果涌现角度考虑，[[有效信息]]会因为降维而增大，这也是因果涌现研究中的粗粒化策略和控制论中的模型约简最大的不同。当动力系统是随机系统的时候<ref name=":17" />，直接计算损失函数会因为随机性的存在，导致其稳定性无法保证，因而约简的有效性也会无法准确测量。而本身就是基于随机动力系统的有效信息和因果涌现指标，一定程度上可以增加评判指标的有效性，使对随机动力系统的控制研究更加严谨。

===动力学模态分解===
除了动力学模型约简之外，动力学模态分解也和粗粒化有着密切的联系。动力学模态分解（Dynamic Mode Decomposition, DMD）<ref>Schmid P J. Dynamic mode decomposition and its variants[J]. Annual Review of Fluid Mechanics, 2022, 54(1): 225-254.</ref><ref>J. Proctor, S. Brunton and J. N. Kutz, Dynamic mode decomposition with control, arXiv:1409.6358</ref>模型的基本思想是直接从数据中得到流场中流动的动态信息，根据不同频率的流场变动寻找数据映射。该方法基于把非线性无穷维动力学转化为有穷维的线性动力学的方式，并采用了Arnoldi 方法以及奇异值分解降维的思想，借鉴了 ARIMA、SARIMA 以及季节模型等许多时间序列的关键特征，被广泛的使用在数学、物理、金融等领域<ref>J. Grosek and J. N. Kutz, Dynamic mode decomposition for real-time background/foreground separation in video, arXiv:1404.7592.</ref>。动态模式分解按照频率对系统进行排序，提取系统的本征频率，从而观察不同频率的流动结构对流场的贡献，同时动态模式分解模态特征值可以对流场进行预测。因为动态模态分解算法具有理论的严密性、稳定性、简易性等优点。在不断应用的同时，动态模态分解算法也在原有基础之上不断被完善，如与 SPA 检验结合起来，以验证股票价格预测对比基准点的强有效性以及通过联系动态模态分解算法和光谱研究的方式，模拟股票市场在循环经济当中的振动模式等。这些应用均能够有效地采集分析数据，并最终得到结果。

动力学模式分解，属于利用线性变换同时对变量、动力学、观测函数进行降维<ref>B. Brunton, L. Johnson, J. Ojemann and J. N. Kutz, Extracting spatial-temporal coherent patterns in large-scale neural recordings using dynamic mode decomposition arXiv:1409.5496</ref>的方法。这种方法是另一种与因果涌现中粗粒化策略相近的，将误差最小化作为主要目标来进行优化的方法。模型约简和动力学模式分解虽然都和模型粗粒化十分接近，但是它们都没有基于有效信息的优化，本质上都是默认了一定程度上的损失信息，同时也不会增强因果效应的。在文献<ref name='An_exact_theory_of_causal_emergence'/>中，作者们证明了其实误差最小化解集包含了有效信息最大化的最优解集，因此如果要优化因果涌现，可以先最小化误差，在最小误差的解集中寻找最佳的粗粒化策略。

===马尔科夫链的简化===
[[马尔科夫链的简化]]（或叫做[[马尔科夫链的粗粒化]]）也和因果涌现有着重要的联系，因果涌现中的粗粒化过程本质上就是马尔科夫链的简化。马尔科夫过程的模型简化<ref>Zhang A, Wang M. Spectral state compression of markov processes[J]. IEEE transactions on information theory, 2019, 66(5): 3202-3231.</ref>是状态转移系统建模中的一个重要问题，它是通过将多个状态合并成一个状态以降低马尔科夫链的复杂度。

做简化的意义主要有三点，第一，我们在研究一个超大规模系统的时候，并不会关注每一个微观状态的变化。因此，在粗粒化中我们希望能过滤掉一些我们不感兴趣的噪声和异质性，而从微观尺度中总结出一些中尺度或宏观尺度的规律；第二，有些状态的转移概率非常相似，所以可以被看成同一类状态，对这种状态做聚类（也称为对状态做划分，即 Partitioning），从而得到新的更小的马尔科夫链可以减少系统表示的冗余性；第三，在用到马尔科夫决策过程的强化学习里，对马尔科夫链做粗粒化可以减少状态空间的大小，提高训练效率。在许多文献中，粗粒化（coarse-graining）和降维（dimension reduction）是等价的<ref>Coarse graining. ''Encyclopedia of Mathematics.'' URL: <nowiki>http://encyclopediaofmath.org/index.php?title=Coarse_graining&oldid=16170</nowiki></ref>。

其中，对状态空间做粗粒化有硬分组（Hard Partitioning）和软分组（Soft Partitioning）两种。软分组可以看作是把微观状态打散重构出一些宏观状态的过程，并允许微观态的叠加而得到宏观态；而硬分组则是严格的微观态分组，把若干个微观状态分成一个组，不允许重叠和叠加（参见[[马尔科夫链的粗粒化]]）。

马尔科夫链的粗粒化不仅要对状态空间做，也要对转移矩阵做，也就是根据状态的分组简化原转移矩阵以得到新的更小的转移矩阵。除此之外，还要对状态向量做约简。因此，一个完整的粗粒化过程需要同时考虑状态、转移矩阵、状态向量的粗粒化。于是，这就引出了一个新的问题，即状态分组得到的新马尔科夫链中的转移概率应该如何计算？同时，归一化条件是否能够得到保证？

除了这些基本保证之外，我们通常还要求对转移矩阵的粗粒化操作应该与转移矩阵是可交换的，这一条件能够保证经过粗粒化后的状态向量再经过粗粒化的转移矩阵（相当于宏观动力学）的一步演化，是等价于先对状态向量进行一步转移矩阵演化（相当于微观动力学），之后再进行粗粒化的。这就同时为状态分组（状态的粗粒化过程）以及转移矩阵的粗粒化过程提出了要求。这一可交换性的要求，就导致人们提出了[[马尔科夫链成块性]]的要求。

针对任意的状态硬划分，我们可以定义所谓的可聚类性（lumpability）的概念。可聚类性（Lumpability）是一种对聚类的衡量，这个概念最早出现在 Kemeny, Snell 在 1969 年的有限马尔科夫链（Finite Markov Chains）<ref name=":33">Kemeny, John G., and J. Laurie Snell. ''Finite markov chains''. Vol. 26. Princeton, NJ: van Nostrand, 1969. https://www.math.pku.edu.cn/teachers/yaoy/Fall2011/Kemeny-Snell_Chapter6.3-4.pdf</ref>中。可聚类性（Lumpability）就是一个数学条件，用来判断“对于某一种硬分块的微观状态分组方案，是否对微观状态转移矩阵是可约简的”。不管状态空间按照哪一个硬分块方案做分类，它都有对应后续的对转移矩阵和概率空间的粗粒化方案<ref>Buchholz, Peter. "Exact and ordinary lumpability in finite Markov chains." ''Journal of applied probability'' 31.1 (1994): 59-75.</ref>。

假设对马尔科夫状态空间 '''<math>S</math>''' 给定了分组方法 '''<math>S=\{A_1\cup A_2\cup ... ,A_r\}</math>'''，这里 [math]A_i[/math] 是状态空间 '''<math>S</math>''' 的任意一个子集，且满足 [math]A_i\cap A_j= \Phi[/math]，[math]\Phi[/math] 表示空集。[math]\displaystyle{ s^{(t)} }[/math] 表示系统在 [math]\displaystyle{ t }[/math] 时刻的微观状态，且微观状态 '''<math>s_i\in S</math>''' 都是马尔科夫状态空间中的独立元素，设微观状态 <math>s_k</math> 到 <math>s_m</math> 的转移概率为 <math>p_{s_k\rightarrow s_m}</math>，微观状态 <math>s_k</math> 到宏观状态 <math>A_i</math> 的转移概率定义为 <math>p_{s_k \rightarrow A_i} \equiv \sum_{s_j\in A_i} p_{s_k\rightarrow s_j}</math>，则可聚类的充分必要条件为，对于任意一对 <math>A_i, A_j</math>，每一个属于 <math>A_i</math> 的状态 <math>s_k</math> 的<math>p_{s_k \rightarrow A_j}</math> 都是相等的，即：

{{NumBlk|:|
<math>
\begin{aligned}
p_{s_k \rightarrow A_j} =p_{s_l\rightarrow A_j}= \sum_{s_m \in A_j} p_{s_k \rightarrow s_m} \equiv p_{A_i \rightarrow A_j}, \forall s_k,s_l \in A_i
\end{aligned}
</math>
|{{EquationRef|4}}}}

关于具体的粗粒化马尔科夫链的方法，请参考[[马尔科夫链的粗粒化]]。

==参考文献==
<references />

==编者推荐==
下面是一些链接能够帮助读者更好的了解因果涌现的相关信息：

===因果涌现读书会===
*[https://campus.swarma.org/course/3110 因果涌现读书会简介]
[[文件:读书会通过阅读前沿文献，加深我们对因果、涌现等概念的理解；聚焦于寻找因果与涌现、多尺度等概念相结合的研究方向；并探索复杂系统多尺度自动建模的研究方向。.jpg|缩略图|370x370px|读书会通过阅读前沿文献，加深我们对因果、涌现等概念的理解；聚焦于寻找因果与涌现、多尺度等概念相结合的研究方向；并探索复杂系统多尺度自动建模的研究方向。]]分享近期发展起来的一些理论与工具，包括因果涌现理论、机器学习驱动的重整化技术，以及自指动力学正在发展一套跨尺度的分析框架等。

*[https://pattern.swarma.org/study_group/7 因果涌现读书会第一季]
涌现现象无非是复杂系统中诸多现象中最神秘莫测的一个，而 Erik Hoel 提出的“因果涌现”理论为这种跨层次的奇妙涌现现象提供了一种新的可能解释途径。通过跨层次的粗粒化（Coarse-graining, 或称重整化 Renormalization）操作，我们便可以在同一个动力学系统上在不同的尺度得到完全不同的动力学，通过本季读书会梳理，我们希望探讨这一新兴领域的前沿进展，衍生更多新的研究课题。

*[https://pattern.swarma.org/study_group/16 因果涌现读书会第二季]
涌现与因果的结合创造了因果涌现的概念。这是一套利用因果性来定量刻画涌现的理论体系，本季读书会通过阅读前沿文献，加深我们对因果、涌现等概念的理解；聚焦于寻找因果与涌现、多尺度等概念相结合的研究方向；并探索复杂系统多尺度自动建模的研究方向。第二季读书会更加集中在探讨因果科学与因果涌现之间的关系，以及对涌现进行定量刻画，聚焦于寻找因果与涌现、多尺度等概念相结合的研究方向；并探索复杂系统多尺度自动建模的研究方向。

*[https://pattern.swarma.org/study_group/28 因果涌现读书会第三季]
因果涌现第三季的读书会中，将进一步围绕因果涌现的核心研究问题『因果涌现的定义』以及『因果涌现的辨识』来进行深入的学习和讨论，对 Erik Hoel 提出的 Causal Emergence，Causal Geometry 等因果涌现的核心理论进行深入的探讨和剖析，并且详细梳理其中涉及到的方法论，包括从动力学约简、隐空间动力学学习等其他研究领域中学习和借鉴相关的研究思路，最后探讨因果涌现的应用，包括基于生物网络、脑网络或者涌现探测等问题展开扩展，发掘更多的实际应用场景。

===路径推荐===
*张江老师根据因果涌现读书会第一季梳理的关于因果涌现的学习路径：https://pattern.swarma.org/article/153
*张江老师根据因果涌现前五季读书会整理的因果涌现入门路径：https://pattern.swarma.org/article/296

----
此词条由[[王志鹏]]、[[张江]]和[[刘凯威]]编写，[[张江]]、[[王志鹏]]整理和审校。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''
[[Category:因果涌现]]
[[Category:信息论]]
[[Category:因果度量]]

因果涌现

2025-11-09T11:10:29Z

相信未来：

{{#seo:
|keywords=因果涌现,涌现,因果,人工智能,因果表示学习,世界模型
|description=这是一个全面介绍因果涌现理论的词条，包括了多种定量刻画因果涌现的方法，并将因果涌现理论与人工智能中的因果表示学习等理论进行了全面比较。
}}
'''[[因果涌现]]（causal emergence）'''是指[[动力系统]]中的一类特殊的[[涌现]]现象，即[[系统]]在宏观尺[[度]]会展现出更强的因果特性。特别的，对于一类[[马尔科夫动力系统]]来说，在对其状态空间进行适当的[[粗粒化]]以后，所形成的宏观动力学会展现出比微观更强的因果特性，那么称该系统发生了[[因果涌现]]<ref name=":0">Hoel E P, Albantakis L, Tononi G. Quantifying causal emergence shows that macro can beat micro[J]. Proceedings of the National Academy of Sciences, 2013, 110(49): 19790-19795.</ref><ref name=":1">Hoel E P. When the map is better than the territory[J]. Entropy, 2017, 19(5): 188.</ref>。同时，[[因果涌现]]理论也是一种利用[[因果效应[[度]]量]]来量化[[复杂系统]]中的[[涌现]]现象的理论。

==历史==
===相关概念的发展===
因果涌现理论是一种试图用基于因果的定量研究方法，从现象学的角度回答什么是涌现这一问题的理论，因此因果涌现的发展与人们对涌现和因果等概念的认识和发展密切相关。

====涌现====
__PROTECTED_7__一直是__PROTECTED_8__中的一个重要特性，是许多关于系统__PROTECTED_9__，以及宏微观之间关系讨论的核心概念<ref>Meehl P E, Sellars W. The concept of emergence[J]. Minnesota studies in the philosophy of science, 1956, 1239-252.</ref><ref name=":7">Holland J H. Emergence: From chaos to order[M]. OUP Oxford, 2000.</ref>。[[涌现]]可以简单理解为整体大于部分之和，即整体上展现出构成它的个体所不具备的新特性<ref>Anderson P W. More is different: broken symmetry and the nature of the hierarchical structure of science[J]. Science, 1972, 177(4047): 393-396.</ref>。尽管学者们在各个领域都指出存在[[涌现]]的现象<ref name=":7" /><ref>Holland, J.H. Hidden Order: How Adaptation Builds Complexity; Addison Wesley Longman Publishing Co., Inc.: Boston, MA, USA, 1996.</ref>，如鸟类的[[群体行为]]<ref>Reynolds, C.W. Flocks, herds and schools: A distributed behavioral model. In Proceedings of the 14th Annual Conference on Computer Graphics and Interactive Techniques, Anaheim, CA, USA, 27–31 July 1987; pp. 25–34.</ref>，大脑中的[[意识]]形成，以及大语言模型的[[涌现]]能力<ref>Wei, J.; Tay, Y.; Bommasani, R.; Raffel, C.; Zoph, B.; Borgeaud, S.; Yogatama, D.; Bosma, M.; Zhou, D.; Metzler, D.; et al. Emergent abilities of large language models. arXiv 2022, arXiv:2206.07682.</ref>，但目前还没有对这一现象普遍认可的统一理解。以往对[[涌现]]的研究大多停留在定性的阶段，如 Bedau et al<ref name=":9">Bedau, M.A. Weak emergence. Philos. Perspect. 1997, 11, 375–399.</ref><ref name='downward'>Bedau, M. Downward causation and the autonomy of weak emergence. Principia Int. J. Epistemol. 2002, 6, 5–50. </ref>对[[涌现]]进行了分类研究，即将[[涌现]]分为名义[[涌现]]<ref name=":10">Harré, R. The Philosophies of Science; Oxford University Press: New York, NY, USA , 1985.</ref><ref name=":11">Baas, N.A. Emergence, hierarchies, and hyperstructures. In Artificial Life III, SFI Studies in the Science of Complexity, XVII; Routledge: Abingdon, UK, 1994; pp. 515–537.</ref>、弱[[涌现]]<ref name=":9" /><ref>Newman, D.V. Emergence and strange attractors. Philos. Sci. 1996, 63, 245–261.</ref>与强[[涌现]]<ref name=":12">Kim, J. 'Downward causation' in emergentism and nonreductive physicalism. In Emergence or Reduction; Walter de Gruyter: Berlin, Germany, 1992; pp. 119–138. </ref><ref name=":13">O'Connor, T. Emergent properties. Am. Philos. Q. 1994, 31, 91–104</ref>。

* [[名义涌现]]可以理解为能被宏观层级所拥有，而微观[[层次]]没有的属性和模式，例如若干像素构成的圆这一形状就是一种名义[[涌现]]<ref name=":10" /><ref name=":11" />。

* __PROTECTED_14__是指宏观层面的属性或过程是通过单个组件之间以复杂相互作用的方式产生的，或者弱涌现也可以被理解为原则上能够被计算机模拟的特性。由于__PROTECTED_15__原理，弱涌现特性即使能够被模拟，但仍然不能轻易地简化为微观层面的属性。对于弱涌现来说，其模式产生的原因可能来自微观和宏观两个层面，因此，涌现的因果关系可能与微观因果关系并存。

* 而对于__PROTECTED_16__来说存在很多的争论，它指的是宏观层面的属性，原则上不能简化为微观层面的属性，包括个体之间的相互作用。此外，Jochen Fromm 进一步将强涌现解释为__PROTECTED_17__的__PROTECTED_18__<ref>Fromm, J. Types and forms of emergence. arXiv 2005, arXiv:nlin/0506028</ref>。[[向下因果]]关系是指从宏观层面向微观层面的[[因果力]]。然而，关于[[向下因果]]关系本身的概念存在许多争议<ref>Bedau, M.A.; Humphreys, P. Emergence: Contemporary Readings in Philosophy and Science; MIT Press: Cambridge, MA, USA, 2008. </ref><ref name='syn_core_down_causation'>Yurchenko SB. Can there be a synergistic core emerging in the brain hierarchy to control neural activity by downward causation?. Authorea Preprints. 2025 Sep 3.</ref>。

由这些早期研究可以看出，[[涌现]]与因果有着天然的深刻联系。

====因果及其[[度]]量====
所谓的因果就是指事件彼此之间的相互影响。因果不等于相关，这体现为，不仅当 A 发生时 B 会发生，而且如果 A 不发生，则 B 也不发生。人们只有通过[[干预]]事件 A，从而考察 B 的结果，才能探测 A 与 B 是否存在着因果关系。

随着近年来[[因果科学]]得到了进一步的发展，使得人们可以用数学框架来量化因果，[[因果]]描述的是一个动力学过程的[[因果效应]]<ref name=":14">Pearl J. Causality[M]. Cambridge university press, 2009.</ref><ref>Granger C W. Investigating causal relations by econometric models and cross-spectral methods[J]. Econometrica: journal of the Econometric Society, 1969, 424-438.</ref><ref name=":8">Pearl J. Models, reasoning and inference[J]. Cambridge, UK: CambridgeUniversityPress, 2000, 19(2).</ref>。[[Judea Pearl]]<ref name=":8" />利用__PROTECTED_25__来描述因果相互作用。Pearl 用不同的模型来区分并量化了三个层次的因果关系，这里我们比较关注__PROTECTED_26__中的第二层：对输入分布做__PROTECTED_27__。此外，由于发现的因果关系背后的不确定性和模糊性，测量两个变量之间的因果效应程度是另一个重要问题。许多独立的历史研究已经解决了因果关系测量的问题。这些测量方法包括__PROTECTED_28__的__PROTECTED_29__<ref>Spirtes, P.; Glymour, C.; Scheines, R. Causation Prediction and Search, 2nd ed.; MIT Press: Cambridge, MA, USA, 2000.</ref>和基于值函数的方法<ref>Chickering, D.M. Learning equivalence classes of Bayesian-network structures. J. Mach. Learn. Res. 2002, 2, 445–498.</ref>，Eells 和 Suppes 的概率性[[因果[[度]]量]]<ref>Eells, E. Probabilistic Causality; Cambridge University Press: Cambridge, UK, 1991; Volume 1.</ref><ref>Suppes, P. A probabilistic theory of causality. Br. J. Philos. Sci. 1973, 24, 409–410.</ref>，以及 [[Judea Pearl]] 的[[因果度量]]指标等<ref name=":14" />。

====因果涌现====
如前所述，涌现和因果是相互联系的。具体来说，联系存在于以下方面：一方面，涌现可以理解为因果效应的一种，刻画了__PROTECTED_31__中各组成部分之间复杂的__PROTECTED_32__；另一方面，涌现出的特性也会对复杂系统中的单个个体产生因果作用。此外，以往人们习惯于将宏观因素归因为微观因素的影响，但是宏观涌现出来的模式，往往无法找到微观的归因，所以也就无法找到对应的原因。由此可见，涌现与因果存在着深刻的联系。再者，虽然我们有了对__PROTECTED_33__的定性分类，然而却无法定量的刻画涌现的发生。因此，我们可以借助因果来定量刻画涌现的发生。

2013年，美国理论神经生物学家 __PROTECTED_34__ 尝试将因果引入涌现的衡量，提出了因果涌现这一概念，并且使用__PROTECTED_35__（Effective Information，简称 EI）来量化系统动力学的因果性强弱<ref name=":0" /><ref name=":1" />。因果涌现可以描述为：当一个系统在宏观尺度相较其在微观尺度上具有更强的因果效应的时候，就产生了因果涌现。因果涌现很好的刻画了系统宏观和微观状态之间的区别与联系，同时把__PROTECTED_36__中的因果和复杂系统中的涌现这两个核心概念结合起来，因果涌现也为学者回答一系列的哲学问题提供了一个定量化的视角。比如，可以借助因果涌现框架讨论生命系统或者社会系统中的自上而下的因果特性。这里的自上而下因果指的是__PROTECTED_37__（downward causation）<ref name="downward" />，表示存在宏观到微观的因果效应。例如，壁虎断尾现象，当遇到危险时，壁虎不管自己的尾巴怎样，直接将它断掉。这里整体是因，尾巴是果，那么就存在一个整体指向部分的__PROTECTED_38__。

===早期量化涌现工作===
早期已经有一些相关的工作尝试对涌现进行定量的分析。Crutchfield 等<ref name=":3">J. P. Crutchfield, K. Young, Inferring statistical complexity, Physical review letters 63 (2) (1989) 105.</ref>提出的[[计算力学]]理论考虑了[[因果态]]，该方法是在状态空间划分的基础上展开相关概念讨论的，与 Erik Hoel 的[[因果涌现]]理论存在着很大的相似性。而 Seth 等人则提出了 G-emergence 理论<ref name=":4">A. K. Seth, Measuring emergence via nonlinear granger causality., in: alife, Vol. 2008, 2008, pp. 545–552.</ref>利用[[格兰杰因果关系]]来量化[[涌现]]。

====[[计算力学]]====
[[计算力学]]理论试[[图]]用定量的框架来表述[[涌现]]的因果规律，即如何从一个[[随机过程]]中构造一种粗粒化的[[因果模型]]，从而使得这个模型可以产生已观测的[[随机过程]]的时间序列<ref name=":3" />。

这里的随机过程可以用 <math>\overleftrightarrow{s}</math> 表示，基于时间 <math>t</math> 可以将[[随机过程]]分为两个部分，时间 <math>t</math> 前的过程 <math>\overleftarrow{s_t}</math>，以及时间 <math>t</math> 后的过程 <math>\overrightarrow{s_t}</math> 。[[计算力学]]将所有可能的历史过程 <math>\overleftarrow{s_t}</math> 形成的集合记作 <math> \overleftarrow{S}</math>，所有未来的过程 <math>\overrightarrow{s_t}</math> 形成的集合记作 <math> \overrightarrow{S}</math>。

[[计算力学]]的目标是建立一个模型，希望以一定的准确[[度]]对观察到的随机序列进行重建和预测。然而，序列的随机性使我们无法获得完美的重建，因此，我们需要一个粗粒化的映射来捕获随机序列中的有序结构。这个粗粒化映射可以用一个划分函数 <math>\eta: \overleftarrow{S}→\mathcal{R}</math> 来刻画，该函数可以将 <math>\overleftarrow{S}</math> 划分为相互排斥的若干子集（所有的互斥子集形成全集），形成的集合记为 <math>\mathcal{R}</math>。

[[计算力学]]将任意的子集 <math>R \in \mathcal{R}</math> 看作是一个宏观状态。对于一组宏观状态集合 <math>\mathcal{R}</math>，[[计算力学]]使用[[香农]][[熵]]定义了指标 <math>C_\mu</math>，用来衡量这组状态的统计[[复杂性]]。其中:

<math>
C_\mu(\mathcal{R})\triangleq -\sum_{\rho\in \mathcal{R}} P(\mathcal{R}=\rho)\log_2 P(\mathcal{R}=\rho)
</math>

可以证明，当使用一组状态构建预测模型时，这组状态的统计[[复杂性]]就[[近似]]等价于预测模型的大小。

此外，为了使宏观状态集在预测性和简约性之间取得最佳平衡，[[计算力学]]定义了[[因果等价]]的概念，如果 <math>P\left ( \overrightarrow{s}|\overleftarrow{s}\right )=P\left ( \overrightarrow{s}|{\overleftarrow{s}}'\right )</math>，则 <math>\overleftarrow{s}</math> 和 <math>{\overleftarrow{s}}'</math> 是因果等价的，这种等价关系可以将所有的历史过程划分为等价类，并将它们定义为[[因果态]]。历史过程 <math>\overleftarrow{s}</math> 的所有[[因果态]]可以被一个映射 <math>\epsilon \left ( \overleftarrow{s} \right )</math> 刻画，这里 <math>\epsilon: \overleftarrow{\mathcal{S}}\rightarrow 2^{\overleftarrow{\mathcal{S}}}</math> 是一个将历史过程 <math>\overleftarrow{s}</math> 映射成[[因果态]] <math>\epsilon(\overleftarrow{s})\in 2^{\overleftarrow{\mathcal{S}}}</math> 的函数。

进一步，我们可以将两个[[因果态]] <math>S_i</math> 和 <math>S_j</math> 之间的因果转移概率记为 <math>T_{ij}^{\left ( s \right )}</math>，它类似于一个粗粒化后的宏观动力学。而一个[[随机过程]]的 <math>\epsilon</math>-machine 被定义为有序对 <math>\left \{ \epsilon,T \right \}</math>，这是一种模式发现机器，可以通过学习 <math>\epsilon</math> 和 <math>T</math> 函数来实现预测。这相当于定义了所谓的[[涌现]]因果的识别问题，这里的 <math>\epsilon</math>-machine 就是一个尝试发现数据中的[[涌现]]因果的机器。

[[计算力学]]可以证明，通过 <math>\epsilon</math>-machine 得到的[[因果态]]具有'''最大可预测性'''、'''最小统计[[复杂]][[度]]'''以及'''最小随机性'''这三个重要特性，并验证了其在某种意义上是最优的。此外，作者引入了一种分层机器重构算法，可以从观测数据中计算因果态和 <math>\epsilon</math>-machine。尽管该算法可能并不适用于所有场景，但作者以[[混沌]]动力学、隐马尔科夫模型和[[元胞自动机]]为例，给出了数值计算结果和相应的机器重构[[路径]] <ref name="The_calculi_of_emergence">__PROTECTED_359__</ref>。

虽然原始的[[计算力学]]没有给出涌现的明确定义和定量理论，但是随后一些研究人员进一步推进了该理论的发展，Crutchfield 等<ref name="The_calculi_of_emergence"></ref>在自己的工作中讨论了[[计算力学]]与[[涌现]]的关系，如果过程 <math>{\overleftarrow{s}}'</math> 比过程 <math>\overleftarrow{s}</math> 具有更高的预测效率，那么过程 <math>{\overleftarrow{s}}'</math> 发生了[[涌现]]，其中一个过程的预测效率 <math>e</math> 被定义为其过剩[[熵]]与其统计[[复杂]][[度]]之比（<math>e=\frac{E}{C_{\mu}}</math>），<math>e</math> 是一个介于 0 到 1 之间的实数，我们可以把它看作是存储在过程中的历史记忆的一部分。在两种情况下，<math>C_{\mu}=0</math>，一种是这个过程是完全统一和确定的；另一种是它是独立同分布的，在这两种情况下都不可能有任何有趣的预测，所以我们设 <math>e=0</math>。同时作者解释说，[[涌现]]可以被理解为一个动力学过程，在这个过程中，一个模式获得了能适应不同[[环]]境的能力。

[[因果涌现]]框架与[[计算力学]]存在很多相似之处，所有历史过程 <math>\overleftarrow{s}</math> 可以看作是微观状态，所有 <math>R \in \mathcal{R} </math> 对应宏观状态，函数 <math>\eta </math> 可以理解为一种可能的粗粒化函数，[[因果态]] <math>\epsilon \left ( \overleftarrow{s} \right )</math> 是一种特殊状态，它至少可以与微观状态 <math>\overleftarrow{s}</math> 具有相同的预测能力，因此，<math>\epsilon </math> 可以理解为一种有效的[[粗粒化]][[策略]]，因果转移 <math>T </math> 对应于有效的宏观动力学。最小随机性特征表征了宏观动力学的确定性，在[[因果涌现]]中可以用[[有效信息]]衡量。

====G-emergence====
G-emergence 理论是 Seth 于 2008 年提出的，最早从因果的角[[度]]对[[涌现]]进行定量量化的研究之一<ref name=":4" />，基本思想是用非线性__PROTECTED_51__来量化复杂系统中的__PROTECTED_52__。

具体来说，如果我们使用二元自回归模型进行预测，当只存在两个变量 A 和 B 时，__PROTECTED_53__存在两个等式，每个等式对应其中一个变量，每个变量的当前时刻值都是由它自身和另外一个变量在滞后一定时间范围内的数值构成。另外，该模型还会计算残差，这里残差可以理解为预测误差，可以用来衡量每一个等式的格兰杰因果效应程度（称为 G-causality）。B 作为 A 的格兰杰因（G-cause）的程度通过两个残差方差之比的对数来计算，其中一个是在省略B时A的自回归模型的残差，另一个是全预测模型（包含了 A 和 B）的残差。此外，作者还定义了“G 自主性（G-autonomous）”的概念，表示一个时间序列的过去值可以预测自身的未来值的度量，可以用类似 G-causality 的方式来刻画这种自主预测的因果效应强度。

__PROTECTED_54__

如上图所示，我们可以基于上述 G-causality 中的两个基本概念来判断涌现的发生（这里是基于格兰杰因果的涌现的衡量，记作 G-emergence）。如果把 A 理解为宏观变量，B 理解为微观变量。发生涌现的条件包含两个：1）A 是关于 B 的 G-autonomous；2）B 是 A 的 G-cause。其中 G-emergence 的程度是通过 A 的 G-autonomous 的程度与 B 的平均 G-cause 的程度的乘积来计算的。

Seth 提出的 G-emergence 理论首次尝试使用因果度量来量化涌现现象，然而，作者使用的因果关系是__PROTECTED_55__，这不是一个严格的因果关系，同时度量的结果也取决于所使用的回归方法。除此之外，该方法的度量指标是根据变量而不是动力学定义的，这意味着结果会依赖于变量的选择。这些都构成了 G-emergence 理论的弊端。

因果涌现框架与前面提到的 G-emergence 也有相似之处，两个方法的宏观状态都需要人工选择。此外，需要注意的是，上述的一些定量量化涌现的方法往往没有考虑真正的干预式因果。

====其他定量刻画涌现的理论====
此外，也存在一些其他的涌现定量理论，主要有两种方法被广泛讨论。一种是从无序到有序的过程来理解__PROTECTED_56__，Moez Mnif 和 Christian Müller-Schloer<ref>Mnif, M.; Müller-Schloer, C. Quantitative emergence. In Organic Computing—A Paradigm Shift for Complex Systems; Springer: Basel, Switzerland, 2011; pp. 39–52. </ref>使用[[香农熵]]来[[度]]量[[有序和无序]]。在[[自组织]]过程中，当[[秩]]序增加时就会出现[[涌现]]，通过测量初始状态和最终状态之间的[[香农]][[熵]]的差异来计算[[秩]]序的增加。然而，该方法存在的缺陷是：它依赖于抽象的观察水平以及[[系统]]的初始条件。为了克服这两种困难，作者提出了一种与最大[[熵]]分布相比的[[度]]量方法。受 Moez mif 和 Christian Müller-Schloer 工作的启发，参考文献<ref>Fisch, D.; Jänicke, M.; Sick, B.; Müller-Schloer, C. Quantitative emergence–A refined approach based on divergence measures. In Proceedings of the 2010 Fourth IEEE International Conference on Self-Adaptive and Self-Organizing Systems, Budapest, Hungary, 27 September–1 October 2010; IEEE Computer Society: Washington, DC, USA, 2010; pp. 94–103. </ref>建议使用两个[[概率分布]]之间的散[[度]]来量化[[涌现]]。他们将[[涌现]]理解为在所观察到的样本基础上的一种意想不到的或不可预测的分布变化。但该方法存在计算量大、估计精[[度]]低等缺点。为了解决这些问题，文献<ref>Fisch, D.; Fisch, D.; Jänicke, M.; Kalkowski, E.; Sick, B. Techniques for knowledge acquisition in dynamically changing environments. ACM Trans. Auton. Adapt. Syst. (TAAS) 2012, 7, 1–25.</ref>进一步提出了一种使用[[高斯混合模型]]估计密[[度]]的[[近似]]方法，并引入[[马氏距离]]来表征数据与高斯分量之间的差异，从而得到了更好的结果。此外，Holzer 和 de Meer 等人<ref>Holzer, R.; De Meer, H.; Bettstetter, C. On autonomy and emergence in self-organizing systems. In International Workshop on Self-Organizing Systems, Proceedings of the Third International Workshop, IWSOS 2008, Vienna, Austria, 10–12 December 2008; Springer: Berlin/Heidelberg, Germany, 2008; pp. 157–169.</ref><ref>Holzer, R.; de Meer, H. Methods for approximations of quantitative measures in self-organizing systems. In Proceedings of the Self-Organizing Systems: 5th International Workshop, IWSOS 2011, Karlsruhe, Germany, 23–24 February 2011; Proceedings 5; Springer: Berlin/Heidelberg, Germany, 2011; pp. 1–15.</ref>提出了另一种基于[[香农]][[熵]]的[[涌现]]测量方法。他们认为一个[[复杂]]的[[系统]]是一个[[自组织]]的过程，在这个过程中，不同的个体通过通信相互作用。然后，我们可以根据代理之间所有通信的[[香农]][[熵]][[度]]量与作为单独源的[[香农]][[熵]]总和之间的比率来测量[[涌现]]。

另一种方法是从“整体大于部分之和”的角度来理解涌现的<ref>Teo, Y.M.; Luong, B.L.; Szabo, C. Formalization of emergence in multi-agent systems. In Proceedings of the 1st ACM SIGSIM Conference on Principles of Advanced Discrete Simulation, Montreal, QC, Canada, 19–22 May 2013; pp. 231–240. </ref><ref>Szabo, C.; Teo, Y.M. Formalization of weak emergence in multiagent systems. ACM Trans. Model. Comput. Simul. (TOMACS) 2015, 26, 1–25.</ref>，该方法从交互规则和主体的状态来定义[[涌现]]，而不是从整个[[系统]]的总体来进行统计[[度]]量。具体地说，这个[[度]]量需要使两项相减。第一项描述了整个[[系统]]的集体状态，而第二项代表了所有组成部分的单个状态的总和。该[[度]]量强调[[涌现]]产生于[[系统]]的相互作用和集体行为。

===[[基于[[有效信息]]的[[因果涌现]]理论]]===
历史上，第一个比较完整而明确的利用因果来定义[[涌现]]的定量理论当属 [[Erik Hoel]], [[Larissa Albantakis]] 以及 [[Giulio Tononi]] 三人提出的[[因果涌现]]理论<ref name=":0" /><ref name=":1" />。该理论针对__PROTECTED_64__定义所谓的因果涌现为：粗粒化后的马尔科夫链比原始的马尔科夫链具有更大的因果效应强度的现象。这里，因果效应强度是通过__PROTECTED_65__来衡量的，该指标是对__PROTECTED_66__指标的一种改造，主要差别是将 <math>t</math> 时刻的状态变量进行了 [[do 干预]]，[[干预]]成了[[均匀分布]]（或[[最大熵分布]]）。[[有效信息]]指标早在2003年就被 [[Giulio Tononi]] 在研究[[整合信息论]]的时候提出，作为 [[Giulio Tononi]] 的学生 [[Erik Hoel]] 将[[有效信息]]应用到[[马尔科夫链]]中，提出了[[基于有效信息的因果涌现理论]]。

===[[基于信息分解的[[因果涌现]]理论]]===
此外，2020 年，Rosas 等<ref name=":5" />从__PROTECTED_76__视角出发，提出一种基于__PROTECTED_77__的方法来定义系统中的因果涌现，基于__PROTECTED_78__或者__PROTECTED_79__来定量的刻画涌现。所谓的__PROTECTED_80__是分析__PROTECTED_81__中各个变量复杂相互关系的一种新方法，通过对信息进行分解，用信息原子来表示每个部分信息，同时借助__PROTECTED_82__将每个部分信息投射到__PROTECTED_83__中，其中协同信息以及冗余信息都可以用对应的信息原子来表示。该方法建立在 Williams 和 Beer 等<ref name=":16">Williams P L, Beer R D. Nonnegative decomposition of multivariate information[J]. arXiv preprint arXiv:10042515, 2010.</ref>提出的[[多元信息非负分解]]理论的基础之上，文中使用[[部分信息分解]]（PID）将微观态和宏观态的[[互信息]]进行分解。然而，PID 框架只能分解关于多个源变量和一个目标变量之间的[[互信息]]，Rosas 扩展了该框架，提出整合信息分解方法 <math>\Phi ID </math><ref name="phi">Mediano, P. A., Rosas, F. E., Luppi, A. I., Carhart-Harris, R. L., Bor, D., Seth, A. K., & Barrett, A. B. (2025). Toward a unified taxonomy of information dynamics via Integrated Information Decomposition. Proceedings of the National Academy of Sciences, 122(39), e2423297122.</ref>来处理多个源变量和多个目标变量之间的[[互信息]]，作者基于分解后的信息提出了两种[[因果涌现]]的定义方法。

===近期工作===
Barnett 等人<ref name=":6">Barnett L, Seth AK. Dynamical independence: discovering emergent macroscopic processes in complex dynamical systems. Physical Review E. 2023 Jul;108(1):014304.</ref>基于[[转移熵]]，通过判断宏观动力学与微观动力学进行解耦来判断涌现的发生，因而提出了[[动力学解耦]]的概念。也就是，将[[涌现]]刻画为，宏观的变量与微观的变量相互独立，没有因果关系，这也可以看做是一种[[因果涌现]]现象。

2024 年，[[张江]]等人<ref name="dynmical_reversibility_discrete">__PROTECTED_360__</ref>基于[[奇异值分解]]，提出了一套新的[[基于可逆性的因果涌现理论]]。该理论的[[核]]心思想是指出所谓的[[因果涌现]]其实等价于[[动力学可逆性]]的[[涌现]]。给定一个系统的马尔科夫转移矩阵，通过对它进行奇异值分解，将奇异值的 <math>\alpha</math> 次方的和定义为马尔科夫动力学的[[可逆性]][[度]]量（<math>\Gamma_{\alpha}\equiv \sum_{i=1}^N\sigma_i^{\alpha}</math>），这里 [math]\sigma_i[/math] 为奇异值。该指标与[[有效信息]]具有高[[度]]的相关性，也可以用于刻画动力学的[[因果效应强度]]。根据奇异值的谱，该方法可以在不显式定义粗粒化方案的条件下，直接定义所谓'''清晰[[涌现]]'''（clear emergence）和'''模糊[[涌现]]'''（vague emergence）的概念。

==[[因果涌现]]的量化==
接下来，我们重点介绍几种利用[[因果[[度]]量]]来量化[[涌现]]现象的研究。

===几种[[因果涌现]]理论===
对于如何定义[[因果涌现]]是一个关键问题，有几个代表性工作，分别是 Hoel 等<ref name=":0" /><ref name=":1" />提出的基于__PROTECTED_93__的方法、Rosas 等<ref name=":5">Rosas F E, Mediano P A, Jensen H J, et al. Reconciling emergences: An information-theoretic approach to identify causal emergence in multivariate data[J]. PLoS computational biology, 2020, 16(12): e1008289.</ref>提出的基于[[信息分解]]的方法、[[张江]]等人<ref name="dynmical_reversibility_discrete" />基于__PROTECTED_95__提出了一套新的因果涌现理论以及一些其他的理论。

====Erik Hoel的因果涌现理论====

=====因果涌现1.0 (CE 1.0)=====

Hoel 等于 2013 年<ref name=":0" /><ref name=":1" />提出因果涌现理论，下图是对该理论的一个抽象框架，其中，横坐标表示时间，纵坐标表示尺度（Scale）。该框架可以看成是对同一个动力系统在微观和宏观两种尺度上的描述。其中，[math]f_m[/math] 表示微观动力学，[math]f_M[/math] 表示宏观动力学，二者通过一个粗粒化函数 [math]\phi[/math] 相连。在一个离散状态的马尔科夫动力系统中，[math]f_m[/math] 和 [math]f_M[/math] 都是马尔科夫链，对 [math]f_m[/math] 进行__PROTECTED_96__，就可以得到 [math]f_M[/math]。<math> EI </math> 是[[有效信息]]的[[度]]量。由于微观态可能具有更大的随机性，这导致微观动力学的[[因果性]]比较弱，所以通过对每一个时刻的微观态进行合理的粗粒化，就有可能得到因果性更强的宏观态。所谓的[[因果涌现]]，就是指当我们对微观态进行粗粒化的时候，宏观动力学的[[有效信息]]会增加这一现象，并且宏观态与微观态的[[有效信息]]之差被定义为[[因果涌现]]的强[[度]]。

[[文件:因果涌现理论.png|因果涌现理论框架|alt=因果涌现理论抽象框架|居左|400x400像素]]

======[[有效信息]]======
[[有效信息]]（<math> EI </math>）最早由 [[Tononi]] 等人在[[整合信息论]]的研究中提出<ref>Tononi G, Sporns O. Measuring information integration[J]. BMC neuroscience, 2003, 41-20.</ref>。在[[因果涌现]]研究中，[[Erik Hoel]] 等人将这种[[因果效应度量]]指标用于量化一个[[因果机制]]的因果性强弱。

具体来说，<math> EI </math> 的计算为：使用[[干预]]操作对自变量做[[干预]]，并考察在这一[[干预]]下，因和果变量之间的[[互信息]]，这种[[互信息]]就是[[有效信息]]，即因果机制的[[因果效应[[度]]量]]。

在[[马尔科夫链]]中，任意时刻的状态变量 [math]X_t[/math] 都可以看作是原因，而下一时刻的状态变量 [math]X_{t+1}[/math] 就可以看作是结果，这样[[马尔科夫链]]的[[状态转移矩阵]]就是它的[[因果机制]]。因此，针对[[马尔科夫链]]的 <math>EI</math> 的计算公式如下所示：

<math>
\begin{aligned}
EI(f) \equiv& I(X_t,X_{t+1}|do(X_t)\sim U(\mathcal{X}))\equiv I(\tilde{X}_t,\tilde{X}_{t+1}) \\
&= \frac{1}{N}\sum^N_{i=1}\sum^N_{j=1}p_{ij}\log\frac{N\cdot p_{ij}}{\sum_{k=1}^N p_{kj}}
\end{aligned}
</math>

其中 <math>f</math> 表示一个[[马尔科夫链]]的状态转移矩阵，[math]U(\mathcal{X})[/math] 表示状态变量 [math]X_t[/math] 取值空间 [math]\mathcal{X}[/math] 上的均匀分布。<math>\tilde{X}_t,\tilde{X}_{t+1}</math> 分别为把 <math>t</math> 时刻的[math]X_t[/math][[干预]]为[[均匀分布]]后，前后两个时刻的状态。<math>p_{ij}</math> 为第 <math>i</math> 个状态转移到第 <math>j</math> 个状态的转移概率。从这个式子不难看出，<math> EI </math> 仅仅是概率转移矩阵 [math]f[/math] 的函数。进行[[干预]]操作是为了使得[[有效信息]]能客观衡量动力学的因果特性而不受原始输入数据的分布影响。

[[有效信息]]可以拆解为'''确定性'''和'''简并性'''两部分，还可以通过引入归一化从而消除状态空间[[规模]]大小的影响。关于[[有效信息]]的详细信息请参看词条：[[有效信息]]。

为了消除状态数对[[有效信息]]的影响，可以定义有效系数概念，公式如下所示：

<math>
\begin{aligned}
Eff(f) = \frac{EI}{\log_2 N}
\end{aligned}
</math>

其中 <math>N</math>表示状态的数量

======[[因果涌现]]度量======
我们可以通过比较[[系统]]中宏微观动力学的[[有效信息]]大小来判断[[因果涌现]]的发生:

<math>
CE=EI\left ( f_M \right )-EI\left (f_m \right )
</math>

其中 <math>CE</math> 为[[因果涌现]]强[[度]]。如果宏观动力学的[[有效信息]]大于微观动力学的[[有效信息]]（也就是 <math>CE>0</math>），那么我们认为在该粗粒化基础上宏观动力学具有[[因果涌现]]特性。

进一步，<math>CE</math>可以拆解成两项之和，<math>CE=\Delta I_{Eff}+\Delta I_{Size}</math>，其中<math>\Delta I_{Eff}=(Eff(f_M)-Eff(f_m))\cdot \log_2(M)</math>是由有效性的提升而引起的[[因果涌现]]，<math>\Delta I_{Size}=Eff(f_m)\cdot(\log_2(M)-\log_2(m))</math>是由状态空间的减少而引起的[[因果涌现]]，其中<math>M</math>和<math>m</math>分别表示宏微观的状态大小，由于粗粒化后的宏观状态减小了，<math>\Delta I_{Size}</math>这一项一定小于0，为了能发生[[因果涌现]]，就要使得<math>\Delta I_{Eff}</math>这一项大于0且增加的幅[[度]]大于<math>\Delta I_{Size}</math>的降低幅[[度]]。

======[[马尔科夫链]]实例======
在文献<ref name=":0"/>中，Hoel 给出一个含有 8 个状态的马尔科夫链的状态转移矩阵([math]f_m[/math])的例子，如下面左图所示。其中前7个状态之间等概率转移，最后一个状态是独立的，只能转变为自身的状态。

对该矩阵的粗粒化为如下操作：首先，将前 7 个状态归并为一个宏观状态，不妨称为 A，并且将 [math]f_m[/math] 中前 7 行的前 7 列的概率数值加总再除以 7，从而得到宏观态 A 到 A 的状态转移概率，并对 [math]f_m[/math] 矩阵的其它数值保持不变。这样归并后的新的概率转移矩阵如右图所示，记为 [math]f_M[/math] 。这是一个确定的宏观马尔科夫转移矩阵，即系统的未来状态完全可以由当前状态决定。此时 <math>EI(f_M\ )>EI(f_m\ ) </math>，[[系统]]发生了[[因果涌现]]。

[[文件:状态空间中的因果涌现1.png|居左|500x500像素|状态空间上的因果涌现|替代=]]

然而，对于更一般的[[马尔科夫链]]和更一般的状态分组，这种简单的将概率平均化的操作并不都是可行的，这是因为归并后的概率转移矩阵有可能不满足[[马尔科夫链]]的条件（如矩阵的行并不满足[[归一化]]条件，或元素数值超出 [0,1] 区间范围）。关于什么样的[[马尔科夫链]]和状态分组可以得到一个可行的宏观[[马尔科夫链]]，请参考本词条后面的'''[[马尔科夫链]]的约简'''一节，或参看[[马尔科夫链的粗粒化]]这一词条。

======[[布尔网络]]实例======
另一个文献<ref name=":0"/>中的例子是一个__PROTECTED_121__中发生因果涌现的例子。如图所示，这是一个含有 4 个节点的布尔网络，每个节点有 0 和 1 两种状态，每个节点与另外两个节点相连，遵循相同的微观动力学机制（a图）。因此，该系统一共含有十六个微观状态，它的动力学可以用一个 <math>16\times16 </math> 的状态转移矩阵（c图）表示。

对该[[系统]]的粗粒化操作分为两步，第一步是对[[布尔网络]]中的节点进行聚类，如下[[图]]b所示，将A和B进行合并得到宏观节点 [math]\alpha[/math]，C 和 D 进行合并得到宏观节点 [math]\beta[/math]；第二步，将每一个分组中的微观节点状态映射为归并后的宏观节点状态，这一映射函数如下[[图]]d所示，其中所有包含 0 的微观节点状态都转变为宏观节点的off状态，而微观的 11 状态转变为宏观的 on 状态。这样，我们可以得到一个新的宏观的[[布尔网络]]，并根据微观节点的动力学机制得到宏观[[布尔网络]]的动力学机制，根据这个机制就可以得到宏观网络的状态转移矩阵（如e[[图]]所示）。

通过对比，我们发现宏观动力学的[[有效信息]]大于微观动力学的[[有效信息]]（<math>EI(f_M\ )>EI(f_m\ ) </math>），该[[系统]]发生了[[因果涌现]]。

[[文件:含有4个节点的布尔网络.png|居左|700x700像素|离散布尔网络上的因果涌现|替代=含有4个节点布尔网络的因果涌现]]

======连续变量中的[[因果涌现]]======
进一步，在<ref name="Chvykov_causal_geometry">__PROTECTED_361__</ref>一文中，Hoel 等人提出了[[因果几何]]理论框架，试[[图]]将[[因果涌现]]理论推广到具有连续状态的函数映射与[[动力系统]]之中，该文章对[[随机函数映射]]定义了 <math>EI</math>，同时还引入了[[干预]]噪音和[[因果几何]]的概念，并将这一概念与[[信息几何]]进行了对照和类比。[[刘凯威]]等人<ref name="An_exact_theory_of_causal_emergence">__PROTECTED_362__</ref>又进一步给出了[[随机迭代动力系统]]的精确解析的[[因果涌现]]理论。

=====[[因果涌现]]2.0 (CE 2.0)=====

[[因果涌现]]2.0（CE2.0）<ref name='CE2.0'>Hoel E. Causal Emergence 2.0: Quantifying emergent complexity[J]. arXiv preprint arXiv:2503.13395, 2025.</ref>是Hoel在2025提出的一个新的因果[[涌现]]理论。基于公理化的因果概念构建了理论框架，定义了充分性与必要性的因果基元，随后对[[马尔科夫链]]进行逐层粗粒化定义了从微观到宏观的[[路径]]，该理论假设了一种因果分配模式，计算了每个尺[[度]]下的因果贡献，最后，为了量化一个[[系统]]的因果运作在其尺[[度]]层级中分布的广泛程[[度]]，基于因果贡献分布提出了一种衡量[[系统]]的[[涌现]][[复杂性]]（EC）的新方法。

======因果公理======

当我们讨论因果关系时，不应该简单地认为它只是一个简单的原因导致结果的关系。实际上，这种关系可以从两个不同的角[[度]]来看：一个是充分性，另一个是必要性。充分性是指一个原因是否总是能导致一个特定的结果，而必要性是指为了得到这个结果，是否需要这个特定的原因。我们可以把这两个概念看作是理解因果关系的基本元素，称为因果基元（Causal Primitives）<ref name=" Hoel 2022">__PROTECTED_363__</ref>。在更广泛的意义上，充分性和必要性分别反映了因果关系之间的确定性和简并性。

'''充分性的形式化'''

'''1.充分性'''：这里指的是原因<math>c</math>对产生结果<math>e</math>的充分程[[度]]。如果每当原因<math>c</math>发生时，结果<math>e</math>总是随之发生，那么我们可以说<math>c</math>是产生<math>e</math>的充分条件。充分性用公式表示为: <math>suff (e, c) = P (e | c)</math>

'''2.充分性的广义形式-确定性'''：如果原因只有一个结果，即<math>P=1</math>，则该[[熵]]项为零；如果原因具有完全随机的结果，则[[熵]]最大，即<math>\log_2n</math>, [[系统]]级确定性系数如下: <math>det=1-\frac{H(E \mid c)}{\log_2n} </math>，其中<math>n</math>为所有可能结果的数量，用<math>H (E | c) </math>表示原因导致结果的[[概率分布]]的[[熵]]，用公式表示为: <math>H(E\mid c)=\sum_{e\in E} suff (e, c)\log_2\frac{1}{suff (e, c)}</math>

'''必要性的形式化'''

'''1.必要性'''：这里指原因<math>c</math>对产生结果<math>e</math>的必要性程[[度]]。如果只有通过<math>c</math>才能产生<math>e</math>，那么<math>c</math>是产生<math>e</math>的必要条件。这意味着没有<math>c</math>，<math>e</math>就不会发生。必要性用公式表示为: <math>nec(e, c) = 1 – P (e | C\c)</math>

'''2.必要性的广义形式-简并性'''：如果所有可能的结果都有相同的概率，即没有任何一个结果比其他结果更有可能，那么简并性为零。如果某些特定的结果由更多的原因引起，那么这些特定的结果就更有可能发生，从而导致简并性增加。简并性的量化可以用一组原因<math>C</math>导致<math>e</math>发生的条件概率的[[熵]]来衡量，公式为: <math>\begin{aligned}H(E \mid C)=\sum_{e\in E}P(e\mid C)\log_2\frac{1}{P(e\mid C)}\end{aligned}</math>，通过上面公式，我们可以定义[[系统]]级简并性系数: <math>deg=1-\frac{H(E \mid C)}{\log_{2}n}</math>，而'''特异性'''可以定义为：<math>spec=1-deg</math>

在论文中，作者使用<math>CP=suff + nec</math>或<math>CP=det + spec</math>来量化一个马可科夫动力学的因果性强弱。详细方法的介绍见: [[因果效应度量]]词条。

======[[路径]]定义（从微观到宏观）======

微观<math>\to</math>宏观[[路径]]是指从微观尺[[度]]出发、最终抵达作为[[路径]]终点的宏观尺[[度]]之间，所有有效（即动力学一致的）尺[[度]]的集合。从概念上讲，这种[[路径]]本质上是明确[[系统]]在跨越尺[[度]]的层级结构中，哪些粗粒化过程构成了通往其他粗粒化结果的"必经之路"。[[路径]]中的每一步都是所有可能尺[[度]]集合中的一个"切片"——微观<math>\to</math>宏观[[路径]]自底部（完整维[[度]]）向顶部（最终降维）遍历这些切片时，每个切片都代表着[[系统]]描述维[[度]]的一次缩减。

所有粗粒化过程均需经过验证，以确保其作为底层微观尺[[度]]的精确描述的有效性——具体而言，需要检查每个宏观尺[[度]]的动力学一致性（与[[复杂网络中的因果涌现]]词条中的检验方式一致），并剔除了不一致的宏观描述。

'''[[路径]]可以定义为：'''

<math>\pi^1 \to \pi^2 \to \dots \to \pi^k </math>

其中每个<math>\pi^i</math>都是对原始n个微观状态的某种有效划分（表示一种粗粒化），而<math>\pi^{i+1}</math>又是<math>\pi^i</math>的进一步粗粒化划分，最终到达终止划分<math>\pi^k</math>。

======[[涌现]][[复杂]][[度]]======

通过分析因果贡献的分布情况，CE 2.0能够量化对[[系统]]运行真正具有因果相关性的[[涌现]][[复杂性]]。具体而言，[[路径]]上每一步的<math>\Delta CP</math>代表了该尺[[度]]对总<math>CP</math>（完全决定[[系统]]的因果运作）的因果贡献——因此可以评估其沿[[路径]]的分布情况。由此可见，CE 2.0为[[系统]]因果运作的[[复杂]]程[[度]]提供了一套分类标准：若因果作用主要集中于单一尺[[度]]（如完全集中在微观尺[[度]]，或由"top-heavy"的宏观尺[[度]]主导），则[[系统]]是简单的；反之，若系统存在具有显著因果贡献的中间介观尺[[度]]，则[[系统]]是[[复杂]]的。

为了从形式上区分"top-heavy"或"bottom-heavy"[[系统]]与具有显著介观结构的[[系统]]，本文引入了一个[[涌现]][[复杂性]]（Emergent Complexity，EC）的量化指标。该指标基于长[[度]]为<math>L</math>的[[路径]]上因果贡献的信息[[熵]]计算。假设在[[路径]]的每个步骤<math>i = 1, 2,..., L</math>（微观尺[[度]]除外）都对应一个因果增益<math>\Delta CP_i=CP_i-CP_{i-1}</math>，那么每个尺[[度]]下的因果贡献的[[概率分布]]如下：

{{NumBlk|:|
<math>
p_i = \frac{\Delta CP_i}{\sum^L_{j=1} \Delta CP_j}, for i=1,..., L
</math>
|{{EquationRef|1}}}}

这确保了 <math>\left\{p_i,..., p_n \right\}</math>构成一个覆盖<math>L</math>个步骤的[[概率分布]]。为了量化增益分布的分散程[[度]]（多尺[[度]]特性），需计算其[[熵]]值。因此，[[涌现]][[复杂]][[度]]的定义如下：

{{NumBlk|:|
<math>
EC = \sum^L_{j=1} p_i \log_2(p_i), for i=1,..., L
</math>
|{{EquationRef|2}}}}

为展示CE 2.0的这一新特性，下[[图]]分析了两类具有[[因果涌现]]特性的[[系统]]：一类不具备介观结构（[[图]]A），另一类则具有介观结构（[[图]]D），除此之外两者尽可能保持相似。[[图]]A展示了一个仅包含直观宏观尺[[度]]、不具备可区分介观结构的[[系统]]转移概率矩阵（TPM），其中微观状态(0,1,2,3)和(4,5,6,7)分别被粗粒化为两个对应的宏观态。实际上，被粗粒化为这两个宏观态的微观状态各自构成了等价类（可视化呈现见[[图]]B）。为阐明该方法能识别介观尺[[度]]结构，我们在[[图]]D-E中构建了类似[[系统]]模型，但其关键改进在于：(0)和(4)在状态转移特性上，与它们最终被粗粒化归入的宏观态（分别为(0,1,2,3)和(4,5,6,7)）中的其他状态具有可区分性，具体来说，状态（0）和（4）只具有转向自己的概率，而状态（1,2,3)和（5,6,7)各自之间进行等概率转移。这意味着，本[[系统]]中对CP信息增益贡献最大的维[[度]]压缩，并非基于严格意义上的等价类划分。在这个介观尺[[度]][[系统]]中，当绘制[[路径]]上的因果贡献[[度]]时可见一个明显的前期峰值（[[图]]F）。由于<math>\Delta CP</math>存在这个更早的峰值，该介观尺[[度]][[系统]]的[[涌现]][[复杂]][[度]]达到2.07 bits（[[图]]F），而"top-heavy"[[系统]]的[[涌现]][[复杂]][[度]]仅为1.67 bits（图C）。这表明，介观尺[[度]]特征通过<math>\Delta CP</math>在高于终点宏观态的维[[度]]上出现峰值而得以显现。

[[文件:涌现复杂度.png|800x800像素|]]

====[[Rosas的[[因果涌现]]理论]]====
Rosas 等<ref name=":5" />从__PROTECTED_134__理论的视角出发，提出一种基于__PROTECTED_135__定义因果涌现的方法，并将因果涌现进一步区分为：__PROTECTED_136__（Causal Decoupling）和__PROTECTED_137__（Downward Causation）两部分。其中因果解耦表示当前时刻宏观态对下一时刻宏观态的因果效应，向下因果表示上一时刻宏观态对下一时刻微观态的因果效应。因果解耦和向下因果的示意图如下图所示，其中微观状态输入为 <math>X_t\ (X_t^1,X_t^2,…,X_t^n ) </math>，宏观状态是 <math>V_t </math>，它由微观态变量 <math>X_t </math> 粗粒化而来，因而是 <math>X_t </math> 的随附特征（Supervenience），<math>X_{t+1} </math> 和 <math>V_{t+1} </math> 分别表示下一时刻的微观和宏观状态。

[[文件:向下因果与因果解耦2.png|居左|300x300像素|因果解耦与向下因果]]

=====[[部分信息分解]]=====
该方法建立在Williams和Beer等<ref name=":16" />提出的__PROTECTED_139__理论的基础之上，该文使用__PROTECTED_140__（PID）将微观态和宏观态的互信息进行分解。

不失一般性，假设我们的微观态为 <math>X(X^1,X^2) </math>，即它是一个二维的变量，宏观态为 <math>V </math>，则二者之间的[[互信息]]可以被分解为四个部分：

<math>I(X^1,X^2;V)=Red(X^1,X^2;V)+Un(X^1;V│X^2 )+Un(X^2;V│X^1 )+Syn(X^1,X^2;V) </math>

其中 <math>Red(X^1,X^2;V) </math> 表示[[冗余信息]]，是指两个微观态 <math>X^1 </math> 和 <math>X^2 </math> 重复地给宏观态 <math>V </math> 提供的信息；<math>Un(X^1;V│X^2 ) </math> 和 <math>Un(X^2;V│X^1 ) </math> 表示[[特有信息]]，是指每一个微观态变量单独给宏观态提供的信息；<math>Syn(X^1,X^2;V) </math> 表示[[协同信息]]，是指所有微观态 <math>X </math> 联合在一起给宏观态 <math>V </math> 提供的信息。

=====[[因果涌现]]定义=====
然而，PID 框架只能分解关于多个源变量和一个目标变量之间的[[互信息]]，Rosas扩展了该框架，提出整合信息分解方法 <math>\Phi ID </math><ref name='phi'/>来处理多个源变量和多个目标变量之间的互信息，还可以用来分解不同时刻间的互信息，作者基于分解后的信息提出了两种因果涌现的定义方法：

1）当__PROTECTED_145__ <math>Un(V_t;X_{t+1}| X_t^1,\ldots,X_t^n\ )>0 </math>，表示当前时刻的宏观态 <math>V_t </math> 能超过当前时刻的微观态 <math>X_t </math> 给下一时刻的整体[[系统]] <math>X_{t+1} </math> 提供更多信息，这时候[[系统]]存在着[[因果涌现]]；

2）第二种方法绕开了选择特定的宏观态 <math>V_t </math>，仅仅基于[[系统]]当前时刻的微观态 <math>X_t </math> 和下一时刻的微观态 <math>X_{t+1} </math> 之间的[[协同信息]]定义[[因果涌现]]，当协同信息 <math>Syn(X_t^1,…,X_t^n;X_{t+1}^1,…,X_{t+1}^n )>0 </math>，[[系统]]发生了[[因果涌现]]。

值得注意的是，对于方法一判断[[因果涌现]]的发生需要依赖宏观态 <math>V_t </math> 的选择，其中方法一是方法二的下界。这是因为，<math>Syn(X_t;X_{t+1}\ ) ≥ Un(V_t;X_{t+1}| X_t\ )</math> 衡成立。所以，如果 <math>Un(V_t;X_{t+1}| X_t\ )</math> 大于0，则[[系统]]出现[[因果涌现]]。然而 <math>V_t </math> 的选择往往需要预先定义粗粒化函数，因此无法回避 [[Erik Hoel 因果涌现理论]]的局限。另外一种自然的想法就是使用第二种方法借助协同信息来判断[[因果涌现]]的发生，但是协同信息的计算是非常困难的，存在着组合爆炸问题。因此，第二种方法基于协同信息的计算往往也是不可行的。总之，这两种[[因果涌现]]的定量刻画方法都存在一些弱点，因此，有待提出更加合理的量化方法。

=====具体实例=====
[[文件:因果解耦以及向下因果例子1.png|500x500像素|居左|因果解耦以及向下因果例子]]

文<ref name=":5" />中作者列举了一个具体的例子(如上式），来说明什么时候发生__PROTECTED_149__、__PROTECTED_150__以及__PROTECTED_151__。该例子是一个特殊的马尔科夫过程，这里， <math>p_{X_{t+1}|X_t}(x_{t+1}|x_t)</math> 表示动力学关系，<math>X_t=(x_t^1,…,x_t^n )\in \left\{0,1\right\}^n </math> 为微观态。该过程的定义是通过检查前后两个时刻的变量 [math]x_t[/math] 和 [math]x_{t+1}[/math] 的取值，也就是判断 [math]x_t[/math] 的所有维[[度]]加和模2是否与 [math]x_{t+1}[/math] 的第一个维[[度]]相同来确定下一时刻状态 [math]x_{t+1}[/math] 取不同数值概率的：如果不同，则概率取 0；否则再判断 [math]x_t,x_{t+1}[/math] 在所有维[[度]]上是否都有相同的加和模 2 值，如果两个条件都满足，则取值概率为 [math]\gamma/2^{n-2}[/math]，否则取值概率为 [math](1-\gamma)/2^{n-2}[/math]。这里 [math]\gamma[/math] 为一个参数， [math]n[/math] 为 x 的总维[[度]]。

实际上，如果 <math>\sum_{j=1}^n x^j_t</math> 是偶数或者 0 时 <math>\oplus^n_{j=1} x^j_t:=1</math>，反之 <math>\oplus^n_{j=1} x^j_t:=0</math>，因此 <math>\oplus^n_{j=1} x^j_t</math> 的结果是 X 整体序列的奇偶性，而第一个维[[度]]则可以看作是一个奇偶校验位。<math>\gamma</math> 实际上表示 X 序列某两个位产生了突变，并且该突变却能够保证整体序列的奇偶性不变，以及序列的奇偶校验位也符合序列整体的实际奇偶性的概率。

因而该过程的宏观态可以就看做是整个序列所有维[[度]]和的奇偶性，该奇偶性的[[概率分布]]是微观态的异或计算的结果。[math]x_{t+1}^1[/math] 是一个特殊的微观态，它始终与上一时刻序列的宏观态保持一致。因此，当第二个判断条件中只有第一项成立时该[[系统]]发生向下因果条件，只有第二项成立时[[系统]]发生因果解耦，两项同时成立时则称[[系统]]发生[[因果涌现]]。

====[[基于奇异值分解的[[因果涌现]]理论]]====
[[Erik Hoel的因果涌现理论]]存在着需要事先指定粗粒化[[策略]]的问题，Rosas 的信息分解理论并没有完全解决该问题，因此，[[张江]]等人<ref name="dynmical_reversibility_discrete"/>进一步提出了基于__PROTECTED_154__。

=====马尔科夫链的奇异值分解=====
给定一个系统的__PROTECTED_155__ <math>P</math>，我们可以对它进行[[奇异值分解]]，得到两个正交且[[归一化]]矩阵 <math>U</math> 和 <math>V</math>，和一个对角阵 <math>\Sigma</math>：<math>P= U\Sigma V^T</math>，其中 [math]\Sigma=diag(\sigma_1,\sigma_2,\cdots,\sigma_N)[/math]，其中 [math]\sigma_1\geq\sigma_2\geq\cdots\sigma_N[/math] 为 <math>P</math> 的奇异值，并且按照从大到小的顺序排列，<math>N</math> 为 <math>P</math> 的状态数量。

=====[[近似]][[动力学可逆性]]与[[有效信息]]=====
我们可以将奇异值的<math>\alpha</math> 次方之和（也称为矩阵的 [math]\alpha[/math] 阶[[Schatten范数]]）定义为[[马尔科夫链]]的[[近似动力学可逆性]][[度]]量，即：

<math>
\Gamma_{\alpha}\equiv \sum_{i=1}^N\sigma_i^{\alpha}
</math>

这里，[math]\alpha\in(0,2)[/math] 为一个指定的参数，它起到让 [math]\Gamma_{\alpha}[/math] 能够更多地反映[[确定性]]还是[[简并性]]这样一种权重或倾向性。通常情况下，我们取 [math]\alpha=1[/math]，这可以让 [math]\Gamma_{\alpha}[/math] 能够在确定性与简并性之间达到一种平衡。

此外，文献中作者证明了 <math>EI</math> 与 [math]\Gamma_{\alpha}[/math] 之间存在着一种[[近似]]的关系：

<math>
EI\sim \log\Gamma_{\alpha}
</math>

而且，在一定程[[度]]上可以用 [math]\Gamma_{\alpha}[/math] 替代 [[EI]] 对[[马尔科夫链]]的[[因果效应]]程[[度]]进行[[度]]量。因此，所谓的[[因果涌现]]也可以被理解为一种'''[[动力学可逆性]]的[[涌现]]'''。

=====无需粗粒化的[[因果涌现]]量化=====
然而，该理论的最大价值在于无需粗粒化[[策略]]，就可以直接量化[[涌现]]。如果 <math>P</math> 的[[秩]]为 <math>r</math>，即从第 <math>r+1</math> 个奇异值开始，奇异值都为 0，则我们称动力学 <math>P</math> 存在着'''清晰的[[因果涌现]]'''（Clear [[Causal Emergence]]），并且[[因果涌现]]的数值为：

<math>
\Delta \Gamma_{\alpha} = \Gamma_{\alpha}(1/r-1/N)
</math>

如果矩阵 <math>P</math> 满[[秩]]，但是对于任意给定的小数 <math>\epsilon</math>，存在 <math>r_{\epsilon}</math>，使得从 <math>r_{\epsilon}+1</math> 开始，所有的奇异值都小于 <math>\epsilon</math>，则称[[系统]]存在着程[[度]]的'''模糊的[[因果涌现]]'''（Vague [[Causal Emergence]]），且[[因果涌现]]的数值为：

<math>\Delta \Gamma_{\alpha}(\epsilon) = \frac{\sum_{i=1}^{r} \sigma_{i}^{\alpha}}{r} - \frac{\sum_{i=1}^{N} \sigma_{i}^{\alpha}}{N} </math>

总结来看，该定量化[[因果涌现]]的方法的好处在于，它可以不依赖于具体的粗粒化[[策略]]，因而可以更加客观地量化[[因果涌现]]。该方法的缺点是，若要计算 [math]\Gamma_{\alpha}[/math]，需要事先对 <math>P</math> 进行[[SVD分解]]，因而[[计算[[复杂]]度]]为 [math]O(N^3)[/math]，比 <math>EI</math> 的[[计算[[复杂]]度]]高。而且，[math]\Gamma_{\alpha}[/math] 不能显式地分解为确定[[度]]和简并[[度]]两个分量。

=====具体实例=====

[[文件:Gamma例子.png|居左|500x500像素|<math>EI</math>与<math>\Gamma</math>对比]]

作者给出了四个具体[[马尔科夫链]]的例子，该马氏链的状态转移矩阵如[[图]]所示。我们可以对比该马氏链的 <math>EI</math> 和[[近似动力学可逆性]]（[[图]]中的 <math>\Gamma</math>，即 <math>\Gamma_{\alpha=1}</math>）。对比[[图]] a，b，我们发现对于不同的状态转移矩阵，<math>EI</math> 降低的时候，<math>\Gamma</math> 也[[同步]]降低。进一步，[[图]] c 和 d 是对比粗粒化前后的效果，其中[[图]] d 是对[[图]] c 状态转移矩阵的粗粒化（将前三个状态归并为一个宏观态）。由于宏观状态转移矩阵[[图]]d是一个[[确定性系统]]，因此，[[归一化]]后的 <math>EI</math>，<math>eff\equiv EI/\log N</math> 和[[归一化]]后的 [math]\Gamma[/math]：<math>\gamma\equiv \Gamma/N</math> 都达到了最大值 1。

====动力学解耦（Dynamic independence）====
[[动力学解耦]]（Dynamic Independence）是一种刻画粗粒化后的宏观动力学状态独立于微观动力学状态的方法<ref name=":6">Barnett L, Seth AK. Dynamical independence: discovering emergent macroscopic processes in complex dynamical systems. Physical Review E. 2023 Jul;108(1):014304.</ref>，其[[核]]心思想是，尽管宏观变量是由微观变量组成，但在预测宏观变量未来状态时，只需要依赖宏观变量历史信息，而不需要微观历史提供额外的信息，这种现象就被作者称为[[动力学解耦]]，它是另一种对[[涌现]]进行量化的手段，此时的宏观动力学称为[[涌现]]动力学。动力学解耦概念中的独立性、因果依赖性等可以通过[[转移熵]]（Transfer [[Entropy]]）进行量化。

=====动力学解耦的定量化=====
[[转移熵]]是测量两个[[随机过程]]之间有向（时间不对称）信息转移量的一种非参数统计量。过程 <math>X</math> 到另一个过程 <math>Y</math> 的[[转移熵]]可定义为：在已知 <math>Y</math> 过去值的情况下，了解 <math>X</math> 的过去值所能减少对 <math>Y</math> 未来值不确定性的程[[度]]，公式如下所示：

<math>T_t(X \to Y) = I(Y_t : X^-_t | Y^-_t) = H(Y_t | Y^-_t) - H(Y_t | Y^-_t, X^-_t)</math>

其中，<math>Y_t</math> 表示 <math>t</math> 时刻的宏观变量，<math>X^-_t</math> 和 <math>Y^-_t</math> 分别表示 <math>t</math> 时刻之前的微观和宏观变量。[math]I[/math] 为[[互信息]]，[math]H[/math] 为[[香农]][[熵]]。当且仅当时间 <math>t</math> 从 <math>X</math> 到 <math>Y</math> 的[[转移熵]] <math>T_t(X \to Y)=0</math> 时，<math>Y</math> 相对于 <math>X</math> 动力学解耦

动力学解耦的概念可以被广泛适用于多种[[复杂]]动态[[系统]]，包括神经[[系统]]、经济过程和进化过程。通过粗粒化方法，可以将高维微观[[系统]]简化为低维宏观[[系统]]，从而揭示出[[复杂系统]]中的[[涌现]]结构。

文中，作者在[[线性系统]]中进行了实验验证，实验流程是：1）使用线性[[系统]]生成参数与规律；2）设定粗粒化函数；3)得到[[转移熵]]的表达式；4）优化求解最大去耦合的粗粒化方法（对应最小[[转移熵]]）。这里的优化算法可以使用[[转移熵]]作为优化目标，然后使用[[梯度下降算法]]来求解粗粒化函数，也可以使用[[遗传算法]]来优化。

=====实例=====
文中举了一个线性[[动力系统]]的例子，其动力学是一个向量自回归的模型，通过使用[[遗传算法]]对不同的初始条件进行[[迭代]]进化，能使得系统的动力学解耦程[[度]]也逐渐增加，同时发现不同的粗粒化尺[[度]]会影响优化到[[动力学解耦]]的程[[度]]，实验发现只有在某些尺[[度]]下能达到动力学解耦，而在其他尺[[度]]则不行，因此尺[[度]]的选择也很重要。

===几种[[因果涌现]]理论比较===
我们可以从是否考虑因果、是否需要指定粗粒化函数，适用的动力学[[系统]]以及定量化指标这几个不同的维[[度]]，对比上述四种不同的定量化[[因果涌现]]理论，得到下表：

{| class="wikitable"
|+不同定量化[[涌现]]理论比较
|-
!方法!!是否考虑因果!!是否涉及粗粒化!!适用的动力学[[系统]]!![[度]]量指标
|-
|Hoel 的[[因果涌现]]理论（CE1.0）<ref name=":0" />||动力学因果，EI 定义引入了 do 干预||需要指定粗粒化方法||离散马尔科夫动力学||动力学因果：有效信息
|-
|Hoel 的因果涌现理论（CE2.0）<ref name="CE2.0" />||动力学因果，基于因果公理提出了因果基元||需要指定粗粒化方法||离散马尔科夫动力学||涌现复杂度
|-
|Rosas 的因果涌现理论<ref name=":5" />||用互信息刻画的相关性近似||基于协同信息判断时不涉及粗粒化，基于特有信息计算则需要指定粗粒化方法||任意动力学||信息分解：协同信息或特有信息
|-
|基于可逆性的因果涌现理论<ref name="dynmical_reversibility_discrete"/>||动力学因果，EI 与近似动力学可逆性等价||不依赖于具体的粗粒化策略||离散马尔科夫动力学||近似动力学可逆性：<math>\Gamma_{\alpha}</math>
|-
|动力学解耦<ref name=":6"/>||格兰杰因果||需要指定粗粒化方法||任意动力学||动力学独立性：转移熵
|}

==因果涌现的识别==
前面已经介绍了一些通过因果度量和其他信息论指标来量化涌现的工作。然而，在实际应用中，我们往往只能收集到观测数据，而无法得到系统的真实动力学。因此，从可观测数据中辨别系统是否发生了因果涌现是一个更为重要的问题。下面介绍两种因果涌现的识别方法，包括基于 __PROTECTED_173__理论的近似方法(基于互信息近似的方法和基于__PROTECTED_174__的方法)和我国学者提出的__PROTECTED_175__（NIS，NIS+）方法。

====基于 Rosas 因果涌现理论的近似方法====
__PROTECTED_176__包含了基于__PROTECTED_177__的量化方法和基于__PROTECTED_178__的量化方法，其中第二种方法可以绕开多变量的组合爆炸问题，但是依赖粗粒化方法和宏观态变量 <math>V</math> 的选择。为了解决这个问题，作者给出了两种解决方案，一种是通过研究者指定一个宏观态 <math>V</math>，另一种是基于[[机器学习]]的方法，通过最大化 <math>\mathrm{\Psi} </math>，让[[系统]]自动学习到宏观态变量 <math>V</math>。下面我们分别介绍这两种方法:

=====基于[[互信息]][[近似]]的方法=====
[[Rosas的因果涌现理论|Rosas 的因果涌现理论]]虽然已经给出了[[因果涌现]]的严格定义，但在计算中涉及到很多变量的组合爆炸问题，因此难以将该方法应用于实际[[系统]]。为了解决这个问题，Rosas 等绕开了特有信息和协同信息的精确计算<ref name=":5" />，而提了一种只需要计算__PROTECTED_180__的近似公式，并推导出一个判定因果涌现发生的充分条件。

作者们基于__PROTECTED_181__提出了三个新指标，<math>\mathrm{\Psi} </math> ,<math>\mathrm{\Delta} </math> 和 <math>\mathrm{\Gamma} </math> 可以分别用于识别[[系统]]中的[[因果涌现]]、[[因果解耦]]和[[向下因果]]，三种指标的具体计算公式分别如下所示：

* 判断[[因果涌现]]的指标：
{{NumBlk|:|
<math>\Psi_{t, t+1}(V):=I\left(V_t ; V_{t+1}\right)-\sum_j I\left(X_t^j ; V_{t+1}\right) </math>
|{{EquationRef|1}}}}

其中 <math>X_t^j </math> 表示第 j 维 t 时刻的微观变量，<math>V_t ; V_{t+1} </math> 分别代表两个连续时间的宏观状态变量。Rosas 等人定义，当 <math>\mathrm{\Psi}>0 </math> 时，[[系统]]发生[[涌现]]；但是当 <math>\mathrm{\Psi}<0 </math>，我们不能确定 <math>V </math> 是否发生[[涌现]]，这是因为该条件仅仅是[[因果涌现]]发生的充分条件。

* 判断[[向下因果]]的指标：

<math>\Delta_{t, t+1}(V):=\max _j\left(I\left(V_t ; X_{t+1}^j\right)-\sum_i I\left(X_t^i ; X_{t+1}^j\right)\right) </math>

当 <math>\mathrm{\Delta}>0 </math> 时，宏观状态 <math>V </math> 对微观变量 <math>X</math> 存在[[向下因果]]。

* 判断[[因果解耦]]的指标：

<math>\Gamma_{t, t+1}(V):=\max _j I\left(V_t ; X_{t+1}^j\right) </math>

当 <math>\mathrm{\Delta}>0 </math> 且 <math>\mathrm{\Gamma}=0 </math> 时，[[系统]]发生[[因果涌现]]且存在[[因果解耦]]。

之所以我们可以使用 <math>\mathrm{\Psi} </math> 来识别[[因果涌现]]的发生，是因为 <math>\mathrm{\Psi} </math> 又是特有信息的下界，我们有如下关系：

<math>Un(V_t;X_{t+1}|X_t) ≥ I\left(V_t ; V_{t+1}\right)-\sum_j I\left(X_t^j ; V_{t+1}\right) + Red(V_t, V_{t+1};X_t) </math>

由于 <math>Red(V_t, V_{t+1};X_t) </math> 为非负数，所以我们可以据此提出一个充分非必要条件：当 <math>\Psi_{t, t+1}(V) > 0 </math>。

总结来看，该方法因为是基于[[互信息]]的，所以计算比较方便，且对[[系统]]的动力学没有马尔科夫性的假设和要求。但是，该理论也存在很多缺点：1）该方法提出的三个指标：<math>\mathrm{\Psi} </math> ,<math>\mathrm{\Delta} </math> 和<math>\mathrm{\Gamma} </math> 只是基于[[互信息]]的计算而没有考虑因果；2）该方法得到的仅仅是发生[[因果涌现]]的充分条件；3）该方法依赖宏观变量的选择，而不同的选择会对结果造成不同的显著影响；4）当[[系统]]具有大量冗余信息，或具有许多变量时，该方法的[[计算复杂度]]就会很高，同时由于 <math>\Psi </math> 为[[近似]]计算，因此这会让高维[[系统]]存在非常大的误差，而且还非常容易得到负值，从而无法判断是否有[[因果涌现]]发生。

为了验证猕猴运动有关的信息是其皮层活动的一个[[涌现]]特征，Rosas 等做了如下实验：基于猕猴的皮质脑电[[图]]（ECoG）作为微观动力学的观测数据。为了得到宏观态变量 <math>V</math>，作者们选择了用动作捕捉（MoCap）得到的猕猴肢体运动轨迹的时间序列数据，其中 ECoG 和 MoCap 分别由 64 个通道和 3 个通道的数据构成的。由于最原始的 MoCap 数据不满足随附特征的条件独立假设，因此，他们利用[[偏最小二乘]]和[[支持向量机]]算法，推断出与预测猕猴行为有关的编码在 ECoG 信号中的那部分神经活动，并推测该信息是潜在神经活动的[[涌现]]特征。最后，作者们基于微观状态和计算所得的宏观特征，验证了[[因果涌现]]的存在。

=====基于[[机器学习]]的方法=====
Kaplanis 等人<ref name="learning_ce_represent">Kaplanis, C., Mediano, P. and Rosas, F., 2023. Learning causally emergent representations. In NeurIPS 2023 workshop: Information-Theoretic Principles in Cognitive Systems.</ref>基于[[表示机器学习]](Representation learning)的理论方法，用算法通过最大化 <math>\mathrm{\Psi} </math>（即公式{{EquationNote|1}}）而自发学习到宏观态变量 <math>V</math> 变量。具体的，作者们使用神经网络 <math>f_{\theta}</math> 来学习将微观输入 <math>X_t</math> 粗粒化成宏观输出 <math>V_t</math> 的表示函数，同时使用神经网络 <math>g_{\phi}</math> 和 <math>h_{\xi}</math> 来分别学习 <math>I(V_t;V_{t+1})</math> 和 <math>\sum_i(I(V_{t+1};X_{t}^i))</math> 等[[互信息]]的计算，最后该方法通过最大化两者之间的差(即 <math>\mathrm{\Psi} </math>)来优化神经网络。该神经网络[[系统]]的架构[[图]]如下[[图]]a所示。

[[文件:学习因果涌现表征的架构.png|居左|600x600像素|学习因果涌现表征的架构]]

[[图]]b展示了一个 toy 模型实例，微观输入 <math>X_t(X_t^1,...,X_t^6) \in \left\{0,1\right\}^6</math> 存在 6 个维[[度]]，每个维[[度]]存在 0 和 1 两种状态，<math>X_{t+1}</math> 是 <math>X_{t}</math> 的下一时刻输出，宏观态为 <math>V_{t}=\oplus_{i=1}^{5}X_t^i</math>，其中 <math>\oplus_{i=1}^{5}X_t^i</math> 表示微观输入 <math>X_t</math> 前 5 个维[[度]]加和模 2 的结果，前后两个时刻的宏观态存在 <math>\gamma</math> 概率相等（<math>p(\oplus_{j=1..5}X_{t+1}^j=\oplus_{j=1..5}X_t^j)= \gamma</math>），微观输入的前后两个时刻的第6个维[[度]]以 <math>\gamma_{extra}</math> 概率的可能性相等（<math>p(X_{t+1}^6=X_t^6)= \gamma_{extra}</math>）。

结果表明，在[[图]]b所示的简单例子中，通过[[图]]a构建的模型最大化 <math>\mathrm{\Psi} </math>，实验发现学习出来的 <math>\mathrm{\Psi} </math> 和真实的 groundtruth <math>\mathrm{\Psi} </math> [[近似]]相等验证了模型学习的有效性，该[[系统]]能够正确地判断出[[因果涌现]]的发生。但是该方法也存在着难以应对[[复杂]]多变量情形的问题，这是因为[[图]]中的右侧的神经网络数量是正比于宏微观变量对的数量的，因此微观变量数（维[[度]]）越多，则神经网络的数量就会成比例增长，这会导致[[计算[[复杂]]度]]的提升。此外，该方法仅在很少的案例上进行测试，因此尚无法[[规模]]化。最后，更主要的是，因为网络计算的是[[因果涌现]]的[[近似]]指标，且得到的是[[涌现]]的充分非必要条件，所以上述[[近似]]算法的各种弊端会被此方法继承。

====神经信息压缩方法====
近年来，新兴的[[人工智能]]技术已经攻克一系列重大难题，同时[[机器学习]]方法配备了各种精心设计的[[神经网络]]结构和[[自动微分]]技术，可以在巨大的函数空间中逼近任何函数。因此，[[张江]]等尝试基于神经网络提出一种基于数据驱动的能够从时间序列数据中识别[[因果涌现]]的方法<ref name="NIS">Zhang J, Liu K. Neural information squeezer for causal emergence[J]. Entropy, 2022, 25(1): 26.</ref><ref name="nis+">Yang, M., Wang, Z., Liu, K., Rong, Y., Yuan, B., & Zhang, J. (2025). Finding emergence in data by maximizing effective information. National Science Review, 12(1), nwae279.</ref>，该方法能自动提取有效的粗粒化[[策略]]和宏观动力学，克服了 Rosas 方法<ref name=":5" />的种种不足。

在该工作中，输入的是时间序列数据 <math>(X_1,X_2,...,X_T ) </math>，且<math>X_t\equiv (X_t^1,X_t^2,…,X_t^p ) </math>，<math>p </math> 表示输入数据的维数。作者假设，这组数据是由一个一般的[[随机动力系统]]产生：

<math>\frac{d X}{d t}=f(X(t), \xi) </math>

其中 [math]X(t)[/math] 是微观状态变量，[math]f[/math] 是微观动力学，<math>\xi </math> 表示[[系统动力学]]中的噪音，可以建模[[动力系统]]中的随机特性。但是，<math>f</math> 是未知的。

所谓的[[因果涌现]]识别问题是指这样的一个泛函优化问题：

{{NumBlk|:|
<math>
\begin{aligned}&\max_{\phi,f_{q},\phi^{\dagger}}\mathcal{J}(f_{q}),\\&s.t.\begin{cases}\parallel\hat{X}_{t+1}-X_{t+1}\parallel<\epsilon,\\\hat{X}_{t+1}=\phi^{\dagger}\left(f_{q}(\phi(X_{t})\bigr)\right).\end{cases}\end{aligned}
</math>
|__PROTECTED_369__}}

这里，[math]\mathcal{J}[/math] 为维度平均的 <math>EI</math>（参见[[有效信息]]词条），<math>\mathrm{\phi} </math> 为粗粒化[[策略]]函数，<math>f_{q} </math> 为宏观动力学，<math>q </math> 为粗粒化后的宏观态维[[度]]，[math]\hat{X}_{t+1}[/math] 是整个框架对 <math>t+1</math> 时刻的微观态的预测，这一预测是将 <math>t+1</math> 时刻的宏观态预测 [math]\hat{Y}_{t+1}[/math] 进行反粗粒化操作（[math]\phi^{\dagger}[/math] 为反粗粒化函数）得到；这里 [math]\hat{Y}_{t+1}\equiv f_q(Y_t)[/math] 为动力学学习器根据 <math>t</math> 时刻的宏观态 [math]Y_t[/math] 对 <math>t+1</math> 时刻宏观态的预测，其中 [math]Y_t\equiv \phi(X_t)[/math] 为 <math>t</math> 时刻的宏观态，它是对 [math]X_t[/math] 进行粗粒化 [math]\phi[/math] 而得来。最后，将 [math]\hat{X}_{t+1}[/math] 与真实的微观态数据 [math]X_{t+1}[/math] 进行求差比较，即得到微观的预测误差。

整个优化框架如下[[图]]所示：

[[文件:NIS_Optimization.png|替代=NIS优化框架|居左|400x400像素|NIS优化框架]]

这一优化问题的目标函数为 <math>EI</math>，它是函数 [math]\phi,\hat{f}_q,\phi^{\dagger}[/math] 的泛函（这里宏观维[[度]] [math]q[/math] 是超参），因此较难优化，我们需要使用[[机器学习]]的方法来尝试解决。

=====[[NIS]]=====
为了识别[[系统]]中的[[因果涌现]]，作者提出一种[[神经信息压缩器]]（Neural Information Squeezer，[[NIS]]）神经网络架构<ref name="NIS" />，该架构基于一种编码器-动力学学习器-解码器框架，即模型由三个部分构成，分别用于对原始数据进行粗粒化得到宏观态、拟合宏观动力学和反粗粒化运算（将宏观态配合随机噪声解码为微观态）。其中，作者们用__PROTECTED_202__（INN）构建编码器（Encoder）和解码器（Decoder），分别近似对应粗粒化函数[math]\phi[/math]和反粗粒化函数 [math]\phi^{\dagger}[/math]。之所以采用__PROTECTED_203__是因为我们可以简单倒置该网络就可以得到反粗粒化函数（即 [math]\phi^{\dagger}\approx \phi^{-1}[/math]）。该模型框架可以看成是一个神经信息压缩器，将包含噪音的微观态数据置入一个狭窄的信息通道，压缩成宏观态，丢弃无用的信息，从而使得宏观动力学的因果性更强，之后再解码成微观状态的预测。NIS方法的模型框架如下图所示：

__PROTECTED_204__

具体的，编码器函数 [math]\phi[/math] 由两部分构成：

<math>
\phi\equiv \chi\circ\psi
</math>

其中 [math]\psi[/math] 为一个可逆函数，由一个[[可逆神经网络]]来实现，[math]\chi[/math] 为[[投影函数]]，即去除 [math]p[/math] 维向量中的后 [math]p-q[/math] 个维度分量，这里 [math]p,q[/math] 分别为微观态和宏观态的维[[度]]。[math]\circ[/math] 为函数的合成操作。

解码器为函数 [math]\phi^{\dagger}[/math]，它定义为：

<math>
\phi^{\dagger}(y)\equiv \psi^{-1}(y\bigoplus z)
</math>

这里 [math]z\sim\mathcal{Ν}\left (0,I_{p-q}\right )[/math] 为一个 [math]p-q[/math] 维随机向量，服从标准正态分布。

然而，如果我们直接优化维[[度]]平均的[[有效信息]]会存在着一定的困难，文章<ref name="NIS" />并没有直接优化公式__PROTECTED_370__，而是采用了一种取巧的方法。为了解决这个问题，作者将优化过程分为两个阶段，第一个阶段为在给定宏观尺度 <math>q </math> 的情况下最小化微观态预测误差，即 <math>\min _{\phi, f_q, \phi^{\dagger}}\left\|\phi^{\dagger}(Y(t+1))-X_{t+1}\right\|<\epsilon </math> 并得到最优的宏观态动力学 [math]f_q^\ast[/math]；第二阶段为搜索超参 <math>q </math>，使得[[有效信息]] [math]\mathcal{J}[/math] 能够最大化，即 <math>\max_{q}\mathcal{J}(f_{q}^\ast) </math> 。实践证明，这种方法可以有效地找到宏观动力学和粗粒化函数，但是并不能真正地事先使 [[EI]] 最大化。

除了能基于时序数据自动识别[[因果涌现]]，该框架还有很好的理论性质，其中有两个重要定理：

'''定理一'''：神经信息挤压器的[[信息瓶颈]]，即对于任意的双射 <math>\mathrm{\psi} </math>、投影 <math>\chi </math>、宏观动力学 <math>f </math>以及高斯噪音 <math>z_{p-q}\sim\mathcal{Ν}\left (0,I_{p-q}\right ) </math>，

<math>
I\left(Y_t;Y_{t+1}\right)=I\left(X_t;{\hat{X}}_{t+1}\right)
</math>

恒成立，这意味着，编码器丢弃的所有信息实际上都是与预测无关的噪声信息。

'''定理二'''：对于一个训练好的模型，<math>I\left(X_t;{\hat{X}}_{t+1}\right)\approx I\left(X_t;X_{t+1}\right)</math>，因此，综合定理一和定理二，我们可以得到对于一个训练好的模型：

<math>
I\left(Y_t;Y_{t+1}\right)\approx I\left(X_t;X_{t+1}\right)
</math>

======与经典理论的比较======
[[NIS]]框架与前面章节中提到的[[计算力学]]框架存在很多相似之处，[[NIS]] 可以被视为一种 <math>\epsilon</math>- machine。[[计算力学]]中的所有历史过程构成的集合 <math>\overleftarrow{S}</math> 可以被看作是微观状态，所有 <math>R \in \mathcal{R} </math> 表示宏观状态，函数 <math>\eta </math> 可以理解为一种粗粒化函数，<math>\epsilon </math> 可以理解为一种有效的粗粒化[[策略]]，<math>T</math> 对应于有效的宏观动力学。最小随机性指标特征表征了宏观动力学的确定性，在[[因果涌现]]中可以用[[有效信息]]替代。当整个框架训练充分的时候，可以精确地预测未来的微观状态时，编码的宏观状态收敛到有效状态，而有效状态可以被视为[[计算力学]]中的[[因果态]]。

同时[[NIS]]框架与前面提到的 G-emergence 理论也有相似之处，例如，[[NIS]]同样采用了[[格兰杰因果关系|格兰杰因果]]的思想：通过预测下一个时间步的微观状态来优化有效的宏观状态。然而，这两个框架之间有几个明显的区别：a）在 G-emergence 理论中，宏观状态需要人工选择，而[[NIS]]则是通过自动优化粗粒化策略来得到宏观状态的；b）[[NIS]]使用神经网络来预测未来状态，而 G-emergence 使用自回归技术来拟合数据。

======计算实例======
[[NIS]] 作者在[[弹簧振子模型]]中进行了实验，结果如下图所示，[[图]]a展示下一时刻通过编码的结果与通过宏观动力学的[[迭代]]结果线性重合验证了模型的有效性，[[图]] b 展示了学习到的两个动力学和真实的动力学同样重合，进一步验证了模型的有效性，[[图]] c 是模型多步预测的效果，预测和真实的曲线很接近，图 d 展示了不同尺[[度]]下的[[因果涌现]]大小，发现在尺[[度]]为2时[[因果涌现]]最显著，对应了真实的弹簧振子模型也只需要两个状态（位置和速度）就可以描述整个[[系统]]。

[[文件:弹簧振子模型1.png|居左|600x600像素|替代=弹簧振子模型1|弹簧振子模型]]

=====[[NIS+]]=====
[[NIS]] 虽然率先提出了对 EI 进行优化，从而在数据中辨识[[因果涌现]]的方案，但是该方法存在一些不足：作者将优化过程分为两个阶段，但是并没有真正的最大化[[有效信息]]，即公式{{EquationNote|1}}。因此，[[杨明哲]]等人<ref name="nis+" />进一步改进该方法，提出了 __PROTECTED_221__ 方案，通过引入反向动力学以及__PROTECTED_222__，借助__PROTECTED_223__将原始的最大化有效信息转换成最大化其变分下界来直接优化目标函数。

======数学原理======
具体地，根据变分不等式和__PROTECTED_224__方法，公式__PROTECTED_372__所给出的带约束的优化问题可以转变为如下不带约束的最小化问题：

<math>\min_{\omega,\theta,\theta'} \sum_{i=0}^{T-1}w(\boldsymbol{x}_t)||\boldsymbol{y}_t-g_{\theta'}(\boldsymbol{y}_{t+1})||+\lambda|| \hat{\boldsymbol{x}}_{t+1}-\boldsymbol{x}_{t+1} ||</math>

其中 <math>g</math> 是反向动力学，它可以通过神经网络来[[近似]]，并通过宏观态的数据对[math]y_{t+1},y_{t}[/math]训练得到。<math>w(x_t)</math> 为逆概率权值，具体计算方式如下所示：

<math>
w(\boldsymbol{x}_t)=\frac{\tilde{p}(\boldsymbol{y}_t)}{p(\boldsymbol{y}_t)}=\frac{\tilde{p}(\phi(\boldsymbol{x}_t))}{p(\phi(\boldsymbol{x}_t))}
</math>

其中 <math>\tilde{p}(\boldsymbol{y}_{t})</math> 是目标分布，<math>p(\boldsymbol{y}_{t})</math> 是数据的原始分布。

======工作流与模型架构======
下[[图]]展示了 [[NIS+]] 的整个模型框架，[[图]] a 是模型的输入：时间序列数据，可以是轨迹序列、连续[[图]]像序列以及脑电时间序列数据等；[[图]]c是模型的输出，包括[[因果涌现]]的程[[度]]、宏观动力学、[[涌现]]模式以及粗粒化[[策略]]；[[图]]b是具体的模型架构，区别于 [[NIS]] 方法，增加了反向动力学和重加权技术两部分。

[[文件:NIS+.png|居左|600x600像素|替代=NIS模型框架图|NIS+模型框架图]]

======实例分析======
文章对不同的时间序列数据集进行了实验，包括疾病传播[[动力系统]]模型[[SIR动力学]]、鸟群模型（[[Boids模型]]）和[[元胞自动机]]：[[生命游戏]]所生成的数据，以及真实人类被试的[[脑神经系统]]fMRI信号数据，这里我们选择鸟群和脑信号分别实验进行介绍说明。

下[[图]]为 [[NIS+]] 学习 [[Boids]] 模型的群集行为的实验结果。(a)和(e)给出了不同条件下鸟群的实际和预测轨迹。具体来说，作者将鸟群分为两个组，并且比较了在不同噪声水平（<math>\alpha</math> 分别为 0.001 和 0.4）下的多步预测结果，在噪音比较小时预测很好，在噪音比较大时预测曲线会发散。(b)展示了多步预测的平均绝对误差（MAE）随着半径 r 的增加而逐渐上升。(c)展示了不同维[[度]](q)下的[[因果涌现度量]] <math>\Delta J</math> 与预测误差（MAE）随着训练 epoch 的变化，作者发现在宏观态维[[度]] q = 8 时[[因果涌现]]最显著。(d)为宏观变量对微观变量进行归因分析，得到的显著性[[图]]，直观地描述了学习得到的粗粒化函数。其中，每个宏观维[[度]]可以对应到每只鸟的空间坐标（微观维[[度]]），颜色越深表示关联[[度]]越高。这里用橙色点突出了每个宏观状态维[[度]]最大关联所对应的微观坐标，这些归因显著性值是使用的[[积分梯度]]（Integrated Gradient，简称 IG）方法得到的。横轴表示 16 只鸟在微观状态下的 x 和 y 坐标，纵轴表示 8 个宏观维[[度]]。淡蓝色的虚线区分了不同个体 Boid 的坐标，而蓝色实线分隔了两个鸟群。(f)和(g)表示不同噪声水平下[[因果涌现]][[度]]量 <math>\Delta J</math> 和[[归一化]]误差MAE的变化趋势，(f)表示外部噪声的变化(即观测噪音加入到微观数据)对[[因果涌现]]的影响， (g)表示内在噪声(用 <math>\alpha</math> 表示，通过修改 [[Boids]] 模型的动力学加入)对[[因果涌现]]的影响。在(f)和(g)中，水平线表示违反公式 {{EquationNote|1}} 中误差约束的阈值。当[[归一化]] MAE 大于阈值 0.3 时，约束遭到破坏，结果不可靠。

这组实验表明，[[NIS+]]可以通过最大化[[EI]]来学习宏观状态和粗粒化[[策略]]。这种最大化增强了模型对超出训练数据范围情况的泛化能力。学习到的宏观状态有效地识别了平均[[群体行为]]，并且可以使用梯[[度]]积分方法将其归因于个体位置。此外，[[因果涌现]]的程[[度]]随外在噪声的增加而增加，而随内在噪声的增加而减少。这一观察结果表明，模型通过粗粒化可以消除外在噪声，而不能削减内在噪声。

[[文件:NIS+ boids.png|居左|700x700像素|鸟群中的因果涌现]]

脑实验是基于真实的 fMRI 数据，该数据通过对 830 个人类被试做了两组实验得到。第一组是让被试执行看一段电影短片的视觉任务记录完成，第二组实验是让他们处于静息态下记录完成。由于原始维[[度]]比较高，作者们首先通过使用 [[Schaefer atlas]] 方法对原始的 14000 维数据降维到 100 个维[[度]]，每个维[[度]]对应一个脑区。之后，作者们通过 [[NIS+]] 学习这些数据，并提炼出 6 个不同宏观尺[[度]]下的动力学，[[图]] a 展示了不同尺[[度]]下的多步预测误差结果，[[图]] b 展示了在静息态和看电影视觉任务中 [[NIS]] 与 [[NIS+]] 方法在不同宏观维[[度]]上 [[EI]] 的对比。作者们发现在视觉任务中，宏观态维[[度]]在 q=1 时[[因果涌现]]最显著，通过归因分析发现视觉区发挥的作用最大([[图]] c)，与真实的场景保持一致。[[图]]d展示了脑区归因的不同视角[[图]]。而在静息态下，1 个宏观维[[度]]不足以预测微观时间序列数据，因果[[涌现]]最大的维[[度]]是表现在 3-7 维之间。

[[文件:NIS+ 脑数据.png|居左|700x700像素|脑神经系统中的因果涌现]]

这些实验表明 [[NIS+]] 不仅可以辨识数据中的[[因果涌现]]、发现[[涌现]]的宏观动力学和粗粒化[[策略]]，而且另外的实验还表明，[[NIS+]] 模型还能够通过 [[EI]] 最大化而增加模型的分布外泛化能力。

==应用==
本小节主要讲解因果涌现在各个[[复杂系统 Complex Systems|复杂系统]]中的潜在应用，包括: 生物系统、[[神经网络]]、脑神经[[系统]]、[[人工智能]]([[因果表示学习]]、[[基于世界模型的强化学习]]、[[因果模型抽象]])以及在一些其他的潜在应用（包括意识研究和中国古典哲学）等。

===[[复杂网络中的因果涌现]]===
2020 年，Klein 和 Hoel 改进[[马尔科夫链]]上定量化[[因果涌现]]的方法以应用到[[复杂网络]]中<ref>Klein B, Hoel E. The emergence of informative higher scales in complex networks[J]. Complexity, 2020, 20201-12.</ref>，作者借助[[随机游走子]]来定义网络中的[[马尔科夫链]]，将随机游走子放在节点上等价于对节点做[[干预]]，然后基于随机游走概率定义节点间的转移概率矩阵。同时作者将[[有效信息]]与网络的连通性建立联系，连通性可以通过节点的出边和入边的权重的不确定性来表征，基于此定义[[复杂网络]]中的[[有效信息]]。详细方法可以参考[[复杂网络中的因果涌现]]。

作者在[[随机网络模型|随机网络]]（ER）、[[偏好依附网络模型]]（PA）等人工网络以及四类真实网络中进行了实验比较，发现：对于ER网络来说，[[有效信息]]的大小只依赖于连接概率 <math>p </math>，并且随着网络[[规模]]的增大会收敛到数值 <math>-\log_2p </math>。同时一个关键发现表明，[[EI]]数值存在一个[[相变]]点，该[[相变]]点[[近似]]在网络的[[平均度]]（<math><k> </math>）等于 <math>\log_2N </math> 的位置出现，同样对应于ER网络随着连接概率增加而出现[[巨连通集团]]的[[相变点]]位置，超过该[[相变]]点随机网络结构不会随着其[[规模]]的增加而包含更多的信息。对于偏好依附模型网络来说，当网络[[度分布]]的幂律指数 <math>\alpha<1.0 </math> 时，[[有效信息]]的大小会随着网络[[规模]]的增加而增大；当 <math>\alpha>1.0 </math> 时，结论相反；<math>\alpha=1.0 </math> 刚好对应的[[无标度网络]]则是增长的[[临界边界]]。对于真实网络来说，作者们发现，[[生物网络]]因为具有很大的噪音，所以[[有效信息]]最低。然而，我们可以通过有效的粗粒化去除这些噪音，这就使得[[生物网络]]相比于其他类型网络能够展现出更显著的[[因果涌现]]现象；而因为技术类型网络是更稀疏、非退化，因此，平均效率更高，节点关系也更加具体，所有[[有效信息]]也最高，但是难以通过粗粒化来增加[[因果涌现]][[度]]量。

在该文章中，作者使用[[贪婪算法]]来粗粒化网络，然而对于大[[规模]]网络来说，这种算法效率很低。随后，Griebenow 等<ref>Griebenow R, Klein B, Hoel E. Finding the right scale of a network: efficient identification of causal emergence through spectral clustering[J]. arXiv preprint arXiv:190807565, 2019.</ref>提出了一种基于[[谱聚类]]的方法来识别[[偏好依附网络]]中的[[因果涌现]]。相比[[贪婪算法]]以及[[梯度下降算法]]，[[谱聚类算法]]的计算时间更少，同时找到的宏观网络的[[因果涌现]]也更加显著。

===在[[生物网络]]上的应用===
进一步，Klein 等人将[[复杂网络中的因果涌现]]方法扩展到了更多的[[生物网络]]中。前文已经指出，[[生物网络]]具有更大的噪音，这使得我们很难理解其内部的运作原理，这种噪音一方面来自[[系统]]的固有噪音，另一方面是由于测量或观察引入的。Klein 等<ref>Klein B, Swain A, Byrum T, et al. Exploring noise, degeneracy and determinism in biological networks with the einet package[J]. Methods in Ecology and Evolution, 2022, 13(4): 799-804.</ref>进一步探索了[[生物网络]]中的噪声、[[简并性]]和[[确定性]]三者之间的关系以及具体含义，得出了一些有趣的结论。

例如，基因表达网络中的高[[确定性]]可以理解为一个基因几乎肯定会导致另一个基因的表达。同时生物[[系统]]在进化过程中也普遍存在高[[简并性]]现象。这两个因素共同导致，目前人们尚不清楚应该在何种尺[[度]]上分析生物[[系统]]才能更好理解它们的功能。Klein 等<ref>Klein B, Hoel E, Swain A, et al. Evolution and emergence: higher order information structure in protein interactomes across the tree of life[J]. Integrative Biology, 2021, 13(12): 283-294.</ref>分析了超过 1800 个物种的[[蛋白质相互作用网络]]，发现宏观尺[[度]]的网络具有更小的噪音和[[简并性]]，同时与不参与宏观尺[[度]]的节点相比，组成宏观尺[[度]]网络中的节点更具有弹性。因此，[[生物网络]]为了适应进化的要求，需要演化出宏观尺[[度]]以提高确定性来增强[[网络弹性]]以及提高信息传输的有效性。

Hoel 等在文章<ref>Hoel E, Levin M. Emergence of informative higher scales in biological systems: a computational toolkit for optimal prediction and control[J]. Communicative & Integrative Biology, 2020, 13(1): 108-118.</ref>中借助[[有效信息]]理论进一步研究了生物[[系统]]中的[[因果涌现]]。作者将[[有效信息]]应用到[[基因调控网络]]上，以识别最能提供信息的心脏发育模型从而控制哺乳动物的心脏发育。通过量化酿酒酵母基因网络的[[最大联通集团]]中的[[因果涌现]]，文章揭示了富有信息的宏观尺[[度]]在生物学中是普遍存在的，以及生命机制本身也经常运行在宏观尺[[度]]上。该文章也为生物学家提供了一种可计算的工具来识别最具有信息的宏观尺[[度]]，并且可以在此基础上建模、预测、控制和理解[[复杂]]的生物[[系统]]。

Swain 等在文章<ref>Swain A, Williams S D, Di Felice L J, et al. Interactions and information: exploring task allocation in ant colonies using network analysis[J]. Animal Behaviour, 2022, 18969-81.</ref>中探索了蚁群的交互历史对任务分配和任务切换的影响，使用[[有效信息]]研究噪声如何在蚂蚁之间传播。结果发现，蚁群之间历史交互程[[度]]影响任务的分配，并且具体交互中蚂蚁群体的类型决定了交互中的噪音。此外，即使当蚂蚁切换功能群时，蚁群[[涌现]]出来的凝聚力也能保证群体的稳定，同时不同功能蚁群在维持蚁群凝聚力方面也发挥着不同的作用。

===在[[人工神经网络]]上的应用===
Marrow 等人在文章<ref>Marrow S, Michaud E J, Hoel E. Examining the Causal Structures of Deep Neural Networks Using Information Theory[J]. Entropy, 2020, 22(12): 1429.</ref>中尝试将[[有效信息]]引入[[神经网络]]，来量化和跟踪训练过程中神经网络[[因果结构]]的变化，其中[[有效信息]]用于评估节点和边对每层下游目标的因果的影响程[[度]]，这里每层神经网络的[[有效信息]] EI 定义为：

<math>
I(L_1;L_2|do(L_1=H^{max}))
</math>

这里的 <math>L_1</math> 和 <math>L_2</math> 分别表示连接神经网络的输入和输出层，这里将输入层整体do成均匀分布，然后计算因和果之间的[[互信息]]。[[有效信息]]可以被分解为灵敏性和简并性，这里的灵敏性定义为：

<math>
\sum_{(i \in L_1,j \in L_2)}I(t_i;t_j|do(i=H^{max}))
</math>

这里 i，j 分别代表输入层和输出层的任意[[神经元]]组合，<math>t_i</math> 和 <math>t_j</math> 分别表示输入和输出层中的[[神经元]]在神经网络机制不变的条件下，[[干预]] i 为最大[[熵]]分布后的状态组合。也就是说，如果[[干预]]输入[[神经元]] i 为均匀分布，则输出[[神经元]]也会发生改变，那么这一数值即[[度]]量二者之间的[[互信息]]。

这里应该区别于[[有效信息]]的定义，这里是对输入层中的每一个[[神经元]]分别进行do[[干预]]，然后将每两个[[神经元]]计算出来的[[互信息]]进行累加作为灵敏性的定义，简并性通过[[有效信息]]与灵敏性的差得到，定义为：

<math>
I(L_1;L_2|do(L_1=H^{max}))-\sum_{(i \in L_1,j \in L_2)}I(t_i;t_j|do(i=H^{max}))
</math>

通过观察模型训练过程中的[[有效信息]]，包括[[灵敏性]]和[[简并性]]的变化，就可以知道模型的泛化能力，从而[[帮助]]学者更好的理解和解释神经网络的工作原理。

===在脑神经[[系统]]上的应用===
脑神经[[系统]]是一个[[涌现]]的多尺度[[复杂系统 Complex Systems|复杂系统]]，Luppi 等人<ref>Luppi, A. I., Mediano, P. A., Rosas, F. E., Allanson, J., Pickard, J., Carhart-Harris, R. L., ... & Stamatakis, E. A. (2024). A synergistic workspace for human consciousness revealed by integrated information decomposition. Elife, 12, RP88173.</ref>基于[[整合信息分解]]，揭示了人类[[意识]]的协同工作空间。作者构建了脑认知的三层架构，包括：外部[[环]]境、具体的模块以及协同全局空间。大脑的工作原理主要包括三个阶段：第一个阶段负责将来自多个不同模块的信息收集到工作空间中，第二个阶段负责在工作空间中整合收集到的信息，第三个阶段负责将全局信息广播到大脑的其他部分。作者在三类不同静息态的 fMRI 数据上进行实验，包括 100 个正常人、15 个参与麻醉实验的被试者（包括麻醉前、麻醉以及恢复三种不同状态）以及 22 个慢性意识障碍（DOC）的被试者。该文章使用[[整合信息分解]]得到[[协同信息]]和[[冗余信息]]，以及使用修正后的[[整合信息值]] <math>\Phi_R</math>，来计算每两个脑区之间的协同和冗余值，从而得到每个脑区发挥更大作用的因素是协同还是冗余。同时，他们对比有意识人的数据，发现无意识人的[[整合信息]]发生显著降低的区域都属于[[协同信息]]发挥更大作用的脑区，同时发现整合信息显著降低的区域都属于 DMN（Default Mode Network）这样的功能区，从而定位到对于发生意识具有显著作用的脑区。

===在[[人工智能]][[系统]]上的应用===
[[因果涌现]]理论与[[人工智能]]领域也存在着非常强的联系，这体现为：首先，[[因果涌现]]识别问题的[[机器学习]]解决方案其实就是一种[[因果表示学习]]的应用；其次，[[有效信息]]的最大化等技术也有望应用到[[因果机器学习]]等领域。

====因果表示学习====
[[因果表示学习]]是[[人工智能]]中的一个新兴领域，它试[[图]]将[[机器学习]]中的两个重要领域：[[表示学习]]和[[因果推断]]结合起来，尝试结合各自的优势，自动提取数据背后的重要特征和因果关系<ref>B. Sch ̈olkopf, F. Locatello, S. Bauer, N. R. Ke, N. Kalchbrenner, A. Goyal, Y. Bengio, Toward causal representation learning, Proceedings of the IEEE 109 (5) (2021) 612–634.</ref>。基于[[有效信息]]的[[因果涌现]]识别可以等价于一种因果表示学习任务。从数据中识别因果关系的[[涌现]]，等价于学习数据背后的潜在因果关系与因果机制。具体来说，我们可以把宏观状态看成因果变量，宏观动力学类比为因果机制，粗粒化[[策略]]可以看作是一个从原始数据到因果变量的编码过程或表示（Representation），[[有效信息]]可以理解为对机制的[[因果效应强度]]的衡量。

由于这两者存在很多相似之处，这就使得两个领域的技术和概念可以相互借鉴。例如，[[因果表示学习]]技术可以应用于[[因果涌现识别]]，反过来，学习到的抽象因果表征可以被解释为一种宏观状态，从而增强因果表示学习的可解释性。但是两者也存在显著差异，主要包括两点：1）因果表示学习假设其背后存在一个真实的[[因果机制]]，数据是由这个因果机制产生的，然而宏观层面[[涌现]]出的状态和动力学之间可能并不存在“真正的因果关系”；2）[[因果涌现]]中的粗粒化后的宏观状态是一种低维的描述，然而因果表示学习中并没有这个要求。从认识论的视角看，两者并不存在差异，因为两者所做的都是从观察数据中提取[[有效信息]]的，从而获得具有[[因果效应]]更强的表征。

为了更好地对比因果表示学习和[[因果涌现]]识别任务，我们列出了下表：

{| class="wikitable" style="text-align:center;"
|+因果表示学习与[[因果涌现]]识别的比较
|-
!对比!!因果表示学习!![[因果涌现]]识别
|-
|'''数据'''||由真实生活中某些因果机制产生的原始数据宏观状态||微观状态的观测(时间序列)
|-
||'''隐变量'''||因果表征||宏观状态
|-
||'''因果机制'''||因果机制||宏观动力学
|-
|'''数据和隐变量之间的映射'''||表征||粗粒化函数
|-
|'''因果关系优化'''||预测损失，解纠缠||[[EI]]最大化
|-
|'''目标'''||寻找原始数据的最优表示，以确保通过表示可以实现独立的因果机制||寻找一个有效的粗粒化[[策略]]以及具有强[[因果效应]]的宏观动力学
|}

====[[有效信息]]在因果[[机器学习]]中的应用====
[[因果涌现]]能够在分布外场景中增强[[机器学习]]的性能，<math>EI</math> 中引入的 do [[干预]]捕获了数据生成过程中的因果依赖性，抑制了虚假相关，从而补充了基于关联的[[机器学习]]算法，建立了 <math>EI</math> 与[[分布外泛化]]（Out Of Distribution，简称OOD）的联系<ref name="Emergence_and_causality_in_complex_systems">__PROTECTED_374__</ref>。由于[[有效信息]]的通用性，[[因果涌现]]可以应用于监督[[机器学习]]来评估特征空间 <math>X</math> 与目标空间 <math>Y</math> 之间的因果关系强[[度]]，从而提高从原因(特征)到结果(目标)的预测准确性。值得注意的是，对观测值从 <math>X</math> 到 <math>Y</math> 的直接拟合足以满足具有 i.i.d.假设的常见预测任务，这意味着训练数据和测试数据是[[独立同分布]]的。然而，如果样本是从训练分布之外抽取的，就必须学习一个从训练到测试[[环]]境的泛化表示空间。由于人们普遍认为因果关系的泛化性优于[[统计相关性]]<ref>Arjovsky, M.; Bottou, L.; Gulrajani, I.; Lopez-Paz, D. Invariant risk minimization. arXiv 2019, arXiv:1907.02893.</ref>，因此，[[因果涌现]]理论可以作为表征空间中嵌入因果关系的标准。[[因果涌现]]的发生揭示了目标的潜在因果因素，从而产生了一个关于分布外泛化的鲁棒表示空间。[[因果涌现]]可能为基于因果理论的分布外泛化提供一个统一的表征[[度]]量。<math>EI</math> 也可以看作是分布外泛化的基于重加权的去偏技术的一种[[信息论]]抽象。此外，我们猜想，分布外泛化可以在最大化 <math>EI</math> 的同时实现，<math>EI</math> 可能会在原始特征抽象的中期阶段达到顶峰，这与 OOD 泛化的思想一致，即少即是多。理想情况下，当[[因果涌现]]发生在 <math>EI</math> 的峰值处，所有非因果特征被排除，因果特征被揭示，从而产生最具信息量的表示。

=====因果模型抽象=====
在[[复杂系统]]中，由于微观状态往往存在噪音，人们需要将微观状态进行粗粒化才能得到噪音更小的宏观状态，使得宏观动力学的因果性更强。同样对于解释各类数据的因果模型也一样，由于原始模型过于[[复杂]]，或者计算资源受限，所以人们往往需要得到更加抽象的因果模型，并且保证抽象的模型尽可能保持原始模型的[[因果机制]]，这就是所谓的[[因果模型抽象]]（Causal Model Abstraction）。

[[因果模型抽象]]属于[[人工智能]]的一个子领域，它特别在因果推理和模型可解释性方面发挥着重要的作用，这种抽象可以[[帮助]]我们更好地理解数据中隐藏的因果机制，以及变量之间的相互作用。因果模型抽象通过评估一个高[[层次]]模型尽可能模拟一个低[[层次]]模型的[[因果效应]]的优化来实现<ref>Beckers, Sander, and Joseph Y. Halpern. "Abstracting causal models." Proceedings of the aaai conference on artificial intelligence. Vol. 33. No. 01. 2019.</ref>。如果高[[层次]]模型能够概括低[[层次]]模型的[[因果效应]]，我们称这个高[[层次]]模型是低[[层次]]模型的因果抽象。

因果模型抽象讨论的也是因果关系与模型抽象(可以看成粗粒化过程)之间的相互作用<ref>S. Beckers, F. Eberhardt, J. Y. Halpern, Approximate causal abstractions, in: Uncertainty in artificial intelligence, PMLR, 2020, pp. 606–615.</ref>。因此，[[因果涌现]]识别与因果模型抽象存在很多相似之处，可以把原始的因果机制理解为微观动力学，抽象出来的机制理解为宏观动力学。在 [[NIS |神经信息压缩框架]]中（[[NIS]]），研究者对粗粒化[[策略]]和宏观动力学进行了限制，要求宏观动力学的微观预测误差要足够小以排除平凡解。这个要求也类似于因果模型抽象中希望抽象后的因果模型与原始模型要尽可能相似。但是两者也存在一些不同：1）[[因果涌现]]识别是对状态或数据进行粗粒化，而因果模型抽象是对模型进行粗粒化操作；2）因果模型抽象中考虑了混肴因子，然而这一点却被[[因果涌现]]识别的讨论所忽略。

=====基于世界模型的强化学习=====
基于[[世界模型]]的[[强化学习]]假设强化学习主体内部存在一个世界模型，从而可以模拟[[智能主体]]所面对[[环]]境的动力学<ref>D. Ha, J. Schmidhuber, World models, arXiv preprint arXiv:1803.10122 (2018).</ref>。世界模型的动力学可以通过智能体与[[环]]境的相互作用来学习，从而[[帮助]][[智能体]]对不确定的[[环]]境做出计划和决策。同时为了表示[[复杂]]的[[环]]境，世界模型一定是对[[环]]境的粗粒化描述，一个典型的世界模型架构总是包含一个编码器和一个解码器。

基于世界模型的强化学习与[[因果涌现]]识别也存在很多相似之处。世界模型也可以被视为一种宏观动力学，[[环]]境中的所有状态可以看作是宏观状态，这些可以看成是压缩后的，忽略了无关信息的状态，能捕捉[[环]]境中最重要的因果特征，以便智能体可以做出更好的决策。在规划（Planning）过程中，智能体也可以使用世界模型来模拟真实世界的动力学。

两个领域之间的相似性和共同特征可以帮助我们将一个领域的思想和技术借鉴到另一个领域。例如，具有世界模型的智能体可以将[[复杂系统]]作为一个整体来进行交互，并从相互作用中获得[[涌现]]的因果规律，从而更好的[[帮助]]我们做[[因果涌现]]识别任务。反过来，最大化[[有效信息]]技术也可以被用于强化学习，使世界模型具有更强的因果特性。

===其它潜在应用===
除了上述应用领域之外，[[因果涌现]]理论对于其它重要问题还可能存在着巨大的潜在应用价值，例如它对于意识问题的研究以及在中国古典哲学的现代科学解释方面有一定的前景。

====意识研究====
首先，[[因果涌现]]理论的提出就与意识科学研究存在着巨大的联系，这是因为[[因果涌现]]理论的[[核]]心指标[[有效信息]]最早就是 [[Tononi]] 在研究意识的定量理论[[整合信息论]]中提出来的。后经过改造，才被 [[Erik Hoel]] 应用到了[[马尔科夫链]]上，并提出[[因果涌现]]概念。因此，从这个意义上说，有效信息其实是定量意识科学的副产品。

其次，[[因果涌现]]作为[[复杂系统]]中的重要概念在意识科学的研究中也起着重要的作用。例如，在意识领域中，一个[[核]]心问题是意识究竟是一个宏观尺[[度]]的现象还是微观尺[[度]]的现象？至今，尚没有直接证据表明意识发生的尺[[度]]是多大。[[因果涌现]]的深入研究，特别是结合脑神经的实验数据，有可能回答意识现象的发生尺[[度]]问题。

再次，[[因果涌现]]有可能回答自由意志（Free will）问题。人有没有自由意志？我们做出的决定真的是我们意志的自由选择吗？还是有可能它仅仅是一种幻觉？事实上，如果接受[[因果涌现]]概念，并承认宏观的变量会对微观变量产生[[因果力]]，那么人们所有的决策其实都是脑[[系统]]自发完成的，而意识仅仅是对这一[[复杂]]决策过程进行了某种层面的解释，因而自由意志是一种[[涌现]]出的[[向下因果]]。这些问题的回答都有待[[因果涌现]]理论的进一步研究。

====中国古典哲学====
与西方科学、哲学不同，[[中国古典哲学]]保留了一套完整而不同的对宇宙进行解释的理论框架，这包括[[阴阳]]、[[五行]]、[[八卦]]，也包括[[占卜]]、[[风水]]、[[中医]]等，并能对宇宙中的各类现象进行完全独立的解释。长久以来，东西方两套哲学始终难以融合。[[因果涌现]]思想有可能提供一套新的解释，从而弥合东西方哲学的冲突。

根据[[因果涌现]]理论，一套理论的好坏取决于因果性的强弱，也就是 <math>EI</math> 的大小。而不同的粗粒化方案会得到完全不同的宏观理论（宏观动力学）。很有可能，在面对同样的[[复杂系统]]研究对象的时候，西方的哲学、科学体系给出的是一套比较具体而微观的因果机制（动力学），而东方哲学则给出了一套更加粗粒化的宏观因果机制。根据[[因果涌现]]理论，或者是 Yurchenko 提出的[[因果等价原理]]（Causal Equivalence Principle），这二者完全有可能是相互兼容的。也就是说，对于同样一组现象，东西方按照不同的两套因果机制，都能够做出正确的预测，甚至是[[干预]]手段。当然，也有可能在某类问题或现象中，更加宏观尺[[度]]的因果机制更具有解释力[[度]]或得出好的方案，有的问题或现象，则更加有利于更微观的因果机制。

例如，就用东方哲学中的[[五行]]概念来说，我们完全可以将[[五行]]理解成万事万物的五种宏观态，而[[五行]]的相生相克关系就可以被理解为是这五种宏观态彼此之间的一种宏观因果机制。那么，从万事万物中提炼出[[五行]]这五种状态的认知过程，就是一种粗粒化过程，它依赖于观察者的类象能力。因此，五行理论就可以看作是对万事万物进行抽象的因果[[涌现]]理论。同样的，我们还可以将[[因果涌现]]的概念应用到更多领域，包括中医、占卜、风水等。这些应用的共同点将会是，它的因果机制相对于西方科学更加简单，也有可能因果性更强，但是得到这种抽象的粗粒化过程则更加复杂，更加依赖于有经验的抽象者。这就解释了为什么东方哲学都强调实践者自身的修为，这是因为，这些东方哲学理论将巨大的[[复杂性]]和计算量都放到了'''类象思维'''上。

==批判==
Erik Hoel等人最早提出基于最大化[[有效信息的[[因果涌现]]理论]]虽然很好刻画了[[因果涌现]]现象，并在许多实际[[系统]]之中得到了广泛的应用，但是有学者指出，该理论仍然存在着很多缺陷和弊端。这主要体现在哲学层面和马尔科夫[[动力系统]]粗粒化的技术层面。

===哲学层面===
纵观历史，关于因果关系和[[涌现]]的[[本体论]]和[[认识论]]方面一直存在长期的争论。

例如，Yurchenko 就在文献<ref name='syn_core_down_causation'/>中指出“因果（causation）”这一概念往往是模糊的，应区分为'''原因（cause）'''和'''理由（reason）'''两种不同的概念，它们分别符合本体论和认识论的因果。其中，原因（cause）指的是充分导致结果的真实原因，而理由（reason）则仅仅是观察者对结果的解释。理由可能没有真正的原因那么严格，但它确实提供了一定程度的__PROTECTED_334__。同样，关于因果涌现的本质也存在争论。

因果涌现是否是一种独立于特定观察者而存在的真实现象？这里需要强调的是，对于 Hoel 的理论，不同的粗粒化策略可以导致不同的宏观动力学机制与不同的因果效应度量结果（<math>EI</math>）。本质上，不同的粗粒化[[策略]]可以代表不同的观察者。Hoel的理论通过[[干预]]将[[涌现]]与因果关系联系起来，以定量的方式引入了[[因果涌现]]的概念。Hoel的理论提出了一个消除不同粗粒化方法影响的方案，即 <math>EI</math> 最大化。能够让[[EI]]最大的粗粒化方案就是唯一客观的方案。因此，对于给定的一组[[马尔科夫动力学]]，只有使 <math>EI</math> 最大化的粗粒化[[策略]]和相应的宏观动力学才能被认为是客观的结果。然而，当最大化 <math>EI</math> 的解不唯一的时候，也就是存在多种能够让 <math>EI</math> 最大化的粗粒化方案时，就会导致该理论的困难，一定程[[度]]的主观性就无法避免。

Dewhurst<ref>Dewhurst, J. (2021). Causal emergence from effective information: Neither causal nor emergent?. Thought: A Journal of Philosophy, 10(3), 158-168.</ref>对 Hoel 的理论进行了哲学上的澄清，认为它是认识论的，而不是本体论的。这表明，Hoel 的宏观因果仅仅是一种基于[[信息论]]的因果解释，而不涉及“真正的因果”。这也引起了对[[均匀分布]]假设的质疑（参见[[有效信息]]词条），因为没有证据表明它应该优于其他分布。

===技术层面===
====不唯一性====
[[因果涌现]]的结果定义为粗粒化后宏观动力学的[[EI]] 与原始微观动力学[[EI]]之差，因此，该结果明显依赖于粗粒化方案的选择。为了消除这种不确定性，Hoel 等人的引入了最大化[[有效信息]]的概念，也就是一个系统中的[[因果涌现]]判断和[[度]]量是建立在最大化宏观动力学[[EI]]的基础之上的。然而，目前尚没有理论保证这种最大化宏观动力学[[EI]]的方式能够保证粗粒化方案的唯一性。也就是说，完全有可能多个粗粒化方案会对应同样的宏观动力学 [[EI]]。事实上，对于连续映射[[动力系统]]的研究已经表明，最大化[[EI]]的解是存在着无穷多种可能性的<ref name='An_exact_theory_of_causal_emergence'/>。

====歧义性====
同时有人指出，Hoel 的理论忽略了对粗粒化方法的约束，某些粗粒化方法可能导致歧义和不合理<ref name="Eberhardt">Eberhardt, F., & Lee, L. L. (2022). Causal emergence: When distortions in a map obscure the territory. Philosophies, 7(2), 30.</ref>。

首先，<ref name="Eberhardt"/>指出，如果对粗粒化方案不加约束，有可能在对转移概率矩阵（TPM）进行粗粒化（状态的合并，以及概率的加和处理）的时候产生歧义性（Ambiguity）。例如，当被合并的两个状态所对应的TPM中的两行向量非常不相似的时候，强行合并它们（例如求平均的方式），就会引发歧义。这种歧义主要体现为，对合并后宏观状态的干预究竟是什么含义？由于行向量是不相似的，因此对合并后宏观态的干预就无法简单还原到对微观态的干预。如果强行按照平均的方式将宏观态的干预转化为微观态的干预，则忽略了微观态彼此之间的差异。同时也会引发新的不可交换性的矛盾问题。

====不可交换性====
如果强行将不相似的两个行向量做平均，那么得到的粗粒化的TPM就有可能破坏抽象化操作（即粗粒化）和边际化（marginalization，即时间演化算子）彼此之间的__PROTECTED_338__。例如假定 <math>A_{m \times n}</math> 是对状态进行粗粒化操作(将n个状态合并为m个状态)，这里的粗粒化[[策略]]是使得宏观状态转移矩阵[[有效信息]]最大的[[策略]]，<math>(\cdot) \times (\cdot)</math> 是时间粗粒化操作(将两个时间步骤合并为一个)。这样 [math]A_{m\times n}(TPM_{n \times n})[/math] 就是对一个 [math]n\times n[/math] 的 TPM 做粗粒化，粗粒化过程就简化为矩阵 [math]A[/math] 与矩阵 [math]TPM[/math] 的乘积。

那么，空间粗粒化和时间粗粒化的可交换性条件，就是如下等式：

{{NumBlk|:|
<math>
A_{m\times n}(TPM_{n \times n}) \times A_{m \times n}(TPM_{n \times n}) = A_{m \times n}(TPM_{n \times n} \times TPM_{n \times n})
</math>
|{{EquationRef|3}}}}

左边表示的是先对连续两个时间步的状态做粗粒化，再将两个时间步的动力学TPM乘到一起，得到一个两步演化的转移矩阵；方程右边表示先将两个时间步的 TPM 乘到一起，得到微观态的两步演化，再用 A 做粗粒化得到宏观的 TPM。该等式的不满足表明某些粗粒化操作会导致宏观状态的演化与微观[[系统]]演化后的粗粒化状态存在差异。这意味着需要对粗粒化[[策略]]添加某种一致性的约束，例如[[马尔科夫链]]可聚类的条件（lumpable），参见[[马尔科夫链的粗粒化]]词条。

然而，如文献<ref name="nis+" />中指出，通过在连续变量空间中最大化EI的同时考虑模型的误差因素，上述问题可以得到缓解。

====其它问题及补救====
除此之外，Hoel 的 <math>EI</math> 计算以及[[因果涌现]]的量化，依赖于两个已知的前提因素：(1)已知的微观动力学；(2)已知的粗粒化方案。然而，在实践中，人们很少能够同时获得这两个因素，特别是在观察性研究中，这两个因素可能都是未知的。因此，这一局限性阻碍了 Hoel 理论的实际适用性。

不过，虽然[[机器学习]]技术促进了因果关系与因果机制的学习，以及对[[涌现]]属性的识别，但重要的是通过[[机器学习]]获得的结果是否反映了本体论的因果关系和[[涌现]]，或者它们仅仅是一种认识论现象？这一点则尚无定论。尽管[[机器学习]]的引入不一定能解决围绕本体论和认识论因果关系和[[涌现]]的争论问题，但它可以提供有助于减轻主观性的依赖。这是因为[[机器学习]]主体可以被视为一个“客观”的观察者，对因果关系和[[涌现]]做出判断，这种判断是独立于人类观察者的。然而，唯一解的问题在这一方法中仍然存在。[[机器学习]]的结果是本体论还是认识论的?答案是，结果是认识论的，其中认识主体是[[机器学习]]算法。然而，这并不意味着[[机器学习]]的所有结果都是无意义的，因为如果学习的主体得到了良好的训练，并且定义的数学目标得到了有效的优化，那么结果也可以被认为是客观的，因为算法本身是客观的，且透明的。结合[[机器学习]]方法可以[[帮助]]我们建立观察者的理论框架，并研究观察者与相应的被观察[[复杂系统]]之间的相互作用。

==相关研究领域==
存在一些相关研究领域与[[因果涌现]]理论联系比较紧密，这里我们重点介绍与[[动力学模型约简]]、[[动力学模态分解]]以及[[马尔科夫链的简化]]三个相关领域的区别和联系。

===动力学模型约简===
[[因果涌现]]的一个重要的指标就是粗粒化[[策略]]的选取，而如果在微观模型已知的时候，对微观态的粗粒化就等价于对微观模型进行'''模型约简'''（Model Reduction）。模型约简是[[控制论]]中的一个重要子领域，Antoulas 就曾经写过相关的综述文章<ref name=":15">Antoulas A C. An overview of approximation methods for large-scale dynamical systems[J]. Annual reviews in Control, 2005, 29(2): 181-190.</ref>。

模型约简，就是要将高维的[[复杂]][[系统动力学]]模型进行化简、降维，用低维的动力学来描述原[[系统]]的演化规律，这一过程其实就是[[因果涌现]]研究中的粗粒化过程。对大尺[[度]][[动力系统]]的[[近似]]方法主要有两大类，即基于奇异值分解<ref name=":15" /><ref>Gallivan K, Grimme E, Van Dooren P. Asymptotic waveform evaluation via a Lanczos method[J]. Applied Mathematics Letters, 1994, 7(5): 75-80.</ref>的[[近似]]方法和基于 Krylov<ref name=":15" /><ref name=":17">CHRISTIAN DE VILLEMAGNE & ROBERT E. SKELTON (1987) Model reductions using a projection formulation, International Journal of Control, 46:6, 2141-2169, DOI: 10.1080/00207178708934040 </ref><ref>Boley D L. Krylov space methods on state-space control models[J]. Circuits, Systems and Signal Processing, 1994, 13: 733-758.</ref>的[[近似]]方法。前者基于奇异值分解，后者基于矩[[匹配]]。虽然前者具有许多理想的性质，包括误差界，但它不能应用于高[[复杂]][[度]]的[[系统]]。另一方面，后者的优势在于它可以[[迭代]]实现，因此适用于高维[[度]]的[[复杂]][[度]][[系统]]。将这两种方法的优势相结合，就产生了第三类[[近似]]方法，即称为 SVD/Krylov 的方法<ref>Gugercin S. An iterative SVD-Krylov based method for model reduction of large-scale dynamical systems[J]. Linear Algebra and its Applications, 2008, 428(8-9): 1964-1986.</ref><ref>Khatibi M, Zargarzadeh H, Barzegaran M. Power system dynamic model reduction by means of an iterative SVD-Krylov model reduction method[C]//2016 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT). IEEE, 2016: 1-6.</ref>。两种方法都是基于粗粒化前后输出函数的误差损失函数来对模型约简效果做评价的，因此，模型约简的目标就是寻找能使误差最小的约简参数矩阵。

一般情况下基于模型约简前后输出函数的误差损失函数可以用来判断粗粒化参数，这一过程默认了[[系统]]约简的过程会损失信息量，因此误差最小化是判断约简方法有效性的唯一方法。但是如果从[[因果涌现]]角[[度]]考虑，[[有效信息]]会因为降维而增大，这也是[[因果涌现]]研究中的粗粒化[[策略]]和[[控制论]]中的模型约简最大的不同。当[[动力系统]]是随机[[系统]]的时候<ref name=":17" />，直接计算损失函数会因为随机性的存在，导致其稳定性无法保证，因而约简的有效性也会无法准确测量。而本身就是基于随机动力系统的有效信息和因果涌现指标，一定程度上可以增加评判指标的有效性，使对随机动力系统的控制研究更加严谨。

===动力学模态分解===
除了动力学模型约简之外，动力学模态分解也和粗粒化有着密切的联系。动力学模态分解（Dynamic Mode Decomposition, DMD）<ref>Schmid P J. Dynamic mode decomposition and its variants[J]. Annual Review of Fluid Mechanics, 2022, 54(1): 225-254.</ref><ref>J. Proctor, S. Brunton and J. N. Kutz, Dynamic mode decomposition with control, arXiv:1409.6358</ref>模型的基本思想是直接从数据中得到流场中流动的动态信息，根据不同频率的流场变动寻找数据映射。该方法基于把非线性无穷维动力学转化为有穷维的线性动力学的方式，并采用了Arnoldi 方法以及奇异值分解降维的思想，借鉴了 ARIMA、SARIMA 以及季节模型等许多时间序列的关键特征，被广泛的使用在数学、物理、金融等领域<ref>J. Grosek and J. N. Kutz, Dynamic mode decomposition for real-time background/foreground separation in video, arXiv:1404.7592.</ref>。动态模式分解按照频率对[[系统]]进行排序，提取[[系统]]的本征频率，从而观察不同频率的流动结构对流场的贡献，同时动态模式分解模态[[特征值]]可以对流场进行预测。因为动态模态分解算法具有理论的严密性、稳定性、简易性等优点。在不断应用的同时，动态模态分解算法也在原有基础之上不断被完善，如与 SPA 检验结合起来，以验证股票价格预测对比基准点的强有效性以及通过联系动态模态分解算法和光谱研究的方式，模拟股票市场在循[[环]]经济当中的振动模式等。这些应用均能够有效地采集分析数据，并最终得到结果。

动力学模式分解，属于利用[[线性变换]]同时对变量、动力学、观测函数进行降维<ref>B. Brunton, L. Johnson, J. Ojemann and J. N. Kutz, Extracting spatial-temporal coherent patterns in large-scale neural recordings using dynamic mode decomposition arXiv:1409.5496</ref>的方法。这种方法是另一种与[[因果涌现]]中粗粒化[[策略]]相近的，将误差最小化作为主要目标来进行优化的方法。模型约简和动力学模式分解虽然都和模型粗粒化十分接近，但是它们都没有基于[[有效信息]]的优化，本质上都是默认了一定程[[度]]上的损失信息，同时也不会增强[[因果效应]]的。在文献<ref name='An_exact_theory_of_causal_emergence'/>中，作者们证明了其实误差最小化解集包含了有效信息最大化的最优解集，因此如果要优化因果涌现，可以先最小化误差，在最小误差的解集中寻找最佳的粗粒化策略。

===马尔科夫链的简化===
__PROTECTED_344__（或叫做__PROTECTED_345__）也和因果涌现有着重要的联系，因果涌现中的粗粒化过程本质上就是马尔科夫链的简化。马尔科夫过程的模型简化<ref>Zhang A, Wang M. Spectral state compression of markov processes[J]. IEEE transactions on information theory, 2019, 66(5): 3202-3231.</ref>是状态转移[[系统]]建模中的一个重要问题，它是通过将多个状态合并成一个状态以降低[[马尔科夫链]]的[[复杂]][[度]]。

做简化的意义主要有三点，第一，我们在研究一个超大[[规模]][[系统]]的时候，并不会关注每一个微观状态的变化。因此，在粗粒化中我们希望能过滤掉一些我们不感兴趣的噪声和异质性，而从微观尺[[度]]中总结出一些中尺[[度]]或宏观尺[[度]]的规律；第二，有些状态的转移概率非常相似，所以可以被看成同一类状态，对这种状态做聚类（也称为对状态做划分，即 Partitioning），从而得到新的更小的[[马尔科夫链]]可以减少[[系统]]表示的冗余性；第三，在用到马尔科夫决策过程的强化学习里，对[[马尔科夫链]]做粗粒化可以减少状态空间的大小，提高训练效率。在许多文献中，粗粒化（coarse-graining）和降维（dimension reduction）是等价的<ref>Coarse graining. ''Encyclopedia of Mathematics.'' URL: <nowiki>http://encyclopediaofmath.org/index.php?title=Coarse_graining&oldid=16170</nowiki></ref>。

其中，对状态空间做粗粒化有硬分组（Hard Partitioning）和软分组（Soft Partitioning）两种。软分组可以看作是把微观状态打散重构出一些宏观状态的过程，并允许微观态的叠加而得到宏观态；而硬分组则是严格的微观态分组，把若干个微观状态分成一个组，不允许重叠和叠加（参见__PROTECTED_346__）。

马尔科夫链的粗粒化不仅要对状态空间做，也要对转移矩阵做，也就是根据状态的分组简化原转移矩阵以得到新的更小的转移矩阵。除此之外，还要对状态向量做约简。因此，一个完整的粗粒化过程需要同时考虑状态、转移矩阵、状态向量的粗粒化。于是，这就引出了一个新的问题，即状态分组得到的新马尔科夫链中的转移概率应该如何计算？同时，归一化条件是否能够得到保证？

除了这些基本保证之外，我们通常还要求对转移矩阵的粗粒化操作应该与转移矩阵是可交换的，这一条件能够保证经过粗粒化后的状态向量再经过粗粒化的转移矩阵（相当于宏观动力学）的一步演化，是等价于先对状态向量进行一步转移矩阵演化（相当于微观动力学），之后再进行粗粒化的。这就同时为状态分组（状态的粗粒化过程）以及转移矩阵的粗粒化过程提出了要求。这一可交换性的要求，就导致人们提出了__PROTECTED_347__的要求。

针对任意的状态硬划分，我们可以定义所谓的可聚类性（lumpability）的概念。可聚类性（Lumpability）是一种对聚类的衡量，这个概念最早出现在 Kemeny, Snell 在 1969 年的有限马尔科夫链（Finite Markov Chains）<ref name=":33">Kemeny, John G., and J. Laurie Snell. ''Finite markov chains''. Vol. 26. Princeton, NJ: van Nostrand, 1969. https://www.math.pku.edu.cn/teachers/yaoy/Fall2011/Kemeny-Snell_Chapter6.3-4.pdf</ref>中。可聚类性（[[Lumpability]]）就是一个数学条件，用来判断“对于某一种硬分块的微观状态分组方案，是否对微观状态转移矩阵是可约简的”。不管状态空间按照哪一个硬分块方案做分类，它都有对应后续的对转移矩阵和概率空间的粗粒化方案<ref>Buchholz, Peter. "Exact and ordinary lumpability in finite Markov chains." ''Journal of applied probability'' 31.1 (1994): 59-75.</ref>。

假设对马尔科夫状态空间 '''<math>S</math>''' 给定了分组方法 '''<math>S=\{A_1\cup A_2\cup ... ,A_r\}</math>'''，这里 [math]A_i[/math] 是状态空间 '''<math>S</math>''' 的任意一个子集，且满足 [math]A_i\cap A_j= \Phi[/math]，[math]\Phi[/math] 表示空集。[math]\displaystyle{ s^{(t)} }[/math] 表示[[系统]]在 [math]\displaystyle{ t }[/math] 时刻的微观状态，且微观状态 '''<math>s_i\in S</math>''' 都是马尔科夫状态空间中的独立元素，设微观状态 <math>s_k</math> 到 <math>s_m</math> 的转移概率为 <math>p_{s_k\rightarrow s_m}</math>，微观状态 <math>s_k</math> 到宏观状态 <math>A_i</math> 的转移概率定义为 <math>p_{s_k \rightarrow A_i} \equiv \sum_{s_j\in A_i} p_{s_k\rightarrow s_j}</math>，则可聚类的充分必要条件为，对于任意一对 <math>A_i, A_j</math>，每一个属于 <math>A_i</math> 的状态 <math>s_k</math> 的<math>p_{s_k \rightarrow A_j}</math> 都是相等的，即：

{{NumBlk|:|
<math>
\begin{aligned}
p_{s_k \rightarrow A_j} =p_{s_l\rightarrow A_j}= \sum_{s_m \in A_j} p_{s_k \rightarrow s_m} \equiv p_{A_i \rightarrow A_j}, \forall s_k,s_l \in A_i
\end{aligned}
</math>
|{{EquationRef|4}}}}

关于具体的粗粒化[[马尔科夫链]]的方法，请参考[[马尔科夫链的粗粒化]]。

==参考文献==
<references />

==编者推荐==
下面是一些链接能够帮助读者更好的了解[[因果涌现]]的相关信息：

===[[因果涌现]][[读书会]]===
*[https://campus.swarma.org/course/3110 [[因果涌现]][[读书会]]简介]
[[文件:读书会通过阅读前沿文献，加深我们对因果、涌现等概念的理解；聚焦于寻找因果与涌现、多尺度等概念相结合的研究方向；并探索复杂系统多尺度自动建模的研究方向。.jpg|缩略图|370x370px|读书会通过阅读前沿文献，加深我们对因果、涌现等概念的理解；聚焦于寻找因果与涌现、多尺度等概念相结合的研究方向；并探索复杂系统多尺度自动建模的研究方向。]]分享近期发展起来的一些理论与工具，包括[[因果涌现]]理论、[[机器学习]]驱动的[[重整化]]技术，以及[[自指]]动力学正在发展一套跨尺[[度]]的分析框架等。

*[https://pattern.swarma.org/study_group/7 [[因果涌现]][[读书会]]第一季]
[[涌现]]现象无非是[[复杂系统]]中诸多现象中最神秘莫测的一个，而 Erik Hoel 提出的“[[因果涌现]]”理论为这种跨[[层次]]的奇妙[[涌现]]现象提供了一种新的可能解释途径。通过跨[[层次]]的粗粒化（Coarse-graining, 或称[[重整化]] Renormalization）操作，我们便可以在同一个动力学[[系统]]上在不同的尺[[度]]得到完全不同的动力学，通过本季[[读书会]]梳理，我们希望探讨这一新兴领域的前沿进展，衍生更多新的研究课题。

*[https://pattern.swarma.org/study_group/16 [[因果涌现]][[读书会]]第二季]
[[涌现]]与因果的结合创造了因果[[涌现]]的概念。这是一套利用因果性来定量刻画[[涌现]]的理论体系，本季[[读书会]]通过阅读前沿文献，加深我们对因果、[[涌现]]等概念的理解；聚焦于寻找因果与[[涌现]]、多尺[[度]]等概念相结合的研究方向；并探索[[复杂系统]]多尺[[度]]自动建模的研究方向。第二季[[读书会]]更加集中在探讨因果科学与[[因果涌现]]之间的关系，以及对[[涌现]]进行定量刻画，聚焦于寻找因果与[[涌现]]、多尺[[度]]等概念相结合的研究方向；并探索[[复杂系统]]多尺[[度]]自动建模的研究方向。

*[https://pattern.swarma.org/study_group/28 [[因果涌现]][[读书会]]第三季]
[[因果涌现]]第三季的[[读书会]]中，将进一步围绕[[因果涌现]]的[[核]]心研究问题『[[因果涌现]]的定义』以及『[[因果涌现]]的辨识』来进行深入的学习和讨论，对 Erik Hoel 提出的 [[Causal Emergence]]，Causal Geometry 等[[因果涌现]]的[[核]]心理论进行深入的探讨和剖析，并且详细梳理其中涉及到的方法论，包括从动力学约简、隐空间动力学学习等其他研究领域中学习和借鉴相关的研究思路，最后探讨[[因果涌现]]的应用，包括基于[[生物网络]]、脑网络或者[[涌现]]探测等问题展开扩展，发掘更多的实际应用场景。

===[[路径]]推荐===
*[[张江]]老师根据[[因果涌现]][[读书会]]第一季梳理的关于[[因果涌现]]的学习[[路径]]：https://pattern.swarma.org/article/153
*[[张江]]老师根据[[因果涌现]]前五季[[读书会]]整理的[[因果涌现]]入门[[路径]]：https://pattern.swarma.org/article/296

----
此词条由[[王志鹏]]、[[张江]]和[[刘凯威]]编写，[[张江]]、[[王志鹏]]整理和审校。

'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''
[[Category:因果涌现]]
[[Category:信息论]]
[[Category:因果度量]]

整合信息论

2025-11-09T10:06:48Z

相信未来：/* IIT2.0 */

{{#seo:
|keywords=整合信息论,意识量化,Φ指标,因果信息,复杂系统意识
|description=本文系统综述了整合信息论的核心框架，探讨意识研究中主观性、整体性与可量化性的矛盾，涵盖公理体系、Φ指标计算及因果信息整合等方法，分析其在神经科学与人工智能领域的应用及争议。}}
整合信息论（Integrated Information Theory, IIT）是探索意识本质的开创性理论框架，通过从现象学公理出发构建数学模型，实现对意识的量化描述与机制解析。传统意识研究多依赖主观报告或神经关联分析，而IIT突破这一局限，基于意识的存在性、内在性、整合性、信息性、排他性和复合性六大核心特征，建立可计算的理论体系。本文梳理整合信息论的发展脉络，评述Φ指标的迭代优化与因果信息整合方法，探讨其在脑科学、人工智能意识判定中的应用及开放性问题。
= 概述 =
== 历史背景 ==
意识是我们最直接的内在体验。它包含感知、情感、思维等主观内容，是大脑对自我和外界信息进行整合与表征的复杂过程。然而，这一看似自然的体验却构成了科学上的一大根本难题：意识究竟如何从物理系统中产生？

自20世纪80年代末起，随着脑成像技术发展，掀起了一股意识研究的热潮。传统的意识研究方法往往集中于特定脑区或神经元群的作用，旨在探寻意识的神经关联（Neural Correlates of Consciousness, NCC）<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>。所谓意识的神经关联（NCC），是指意识体验所必需的最小神经机制集合<ref name=aru_et_al_2012>{{cite journal |last1=Aru |first1=J. |last2=Bachmann |first2=T. |last3=Singer |first3=W. |last4=Melloni |first4=L. |title=Distilling the neural correlates of consciousness |journal=Neuroscience & Biobehavioral Reviews |volume=36 |issue=2 |pages=737–746 |year=2012 |url=https://doi.org/10.1016/j.neubiorev.2011.12.003}}</ref>，通常采用对比不同意识状态下大脑活动的研究思路。比如，Liang Shan等人通过实验任务操纵被试的意识状态（比如无感知、潜意识和有意识状态），使用脑电图（Electroencephalogram, EEG）和脑磁图(Magnetoencephalography, MEG）技术，对比分析不同频率的脑电波和功能连接的变化，发现神经元同步放电和整合活动是视觉意识的关键要素<ref name=shan_et_al_2022>{{cite journal |last1=Shan |first1=L. |last2=Huang |first2=H. |last3=Zhang |first3=Z. |last4=Wang |first4=Y. |last5=Gu |first5=F. |last6=Lu |first6=M. |last7=Zhou |first7=W. |last8=Jiang |first8=Y. |last9=Dai |first9=J. |title=Mapping the emergence of visual consciousness in the human brain via brain-wide intracranial electrophysiology |journal=The Innovation |volume=3 |issue=3 |pages=100243 |year=2022 |url=https://doi.org/10.1016/j.xinn.2022.100243}}</ref>。

尽管在传统意识研究中积累了大量的神经生物学数据，并取得了意识状态与脑部活动之间相关性的研究成果，但这却引发了以下问题：
1.意识体验的可操作评估标准<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>——如何确定是否有效操纵不同水平的意识状态，即如何量化比较不同意识体验？如何在不同研究或者重复研究中确定实验任务操纵的意识体验水平？如何确定该神经活动变化是与意识水平有关，而非实验任务或者实验呈现刺激所引起的变化？
2.“解释鸿沟”（Explanatory Gap）难题——即便识别出与意识相关的神经活动，也难以完全解释主观体验如何从这些物理活动中产生<ref name=polak_marvan_2018>{{cite journal |last1=Polák |first1=M. |last2=Marvan |first2=T. |title=Neural Correlates of Consciousness Meet the Theory of Identity |journal=Frontiers in Psychology |volume=9 |year=2018 |url=https://doi.org/10.3389/fpsyg.2018.01269}}</ref>。

然而，朱利奥・托诺尼和杰拉尔德·M·埃德尔曼早在1998年就开始另辟蹊径，探讨何种神经过程能够解释意识体验的关键特性。他们在分析神经生物学数据之后，发现与意识体验相关的神经过程兼具高度整合性和高度分化性，提出了一种可验证的理论框架——动态核心假说<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>。这一假说为识别意识的神经基础提供了“地图”，解决了。之后，他们进一步提出，要真正理解意识，需要解决两个核心问题：第一，理解决定系统具备意识程度的条件。例如，为什么大脑的某些区域对意识体验至关重要，而其他同样富含神经元和连接的区域却无足轻重？第二，理解决定系统具有何种意识形式的条件。例如，为什么颜色呈现特定视觉效果，而音乐产生独特音韵，疼痛引发特殊触感？解决第一个问题意味着我们就能判断物理系统产生意识的程度——意识的量或层级。解决第二个问题意味着我们会知道它产生的是什么样的意识——意识的质量或内容<ref name=tononi_2004>{{cite journal |last1=Tononi |first1=G.|title=An information integration theory of consciousness |journal=BMC Neuroscience |volume=5 |issue=1 |pages=42 |year=2004 |url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。

正是在这样的理论背景下，整合信息论（Integrated Information Theory, IIT）显示出其突破性价值。整合信息论（IIT）由神经科学家朱利奥・托诺尼于2004年提出，该理论独辟蹊径，从意识的现象学公理（如存在性、整合性、信息性等）出发，反向推导出意识必需的物理基础，并提出了可计算的量化指标——Φ值，用以衡量一个系统的意识水平。整合信息论（IIT）不仅尝试直面“物理如何产生主观”这一根本问题，也首次使意识的定量化、跨系统比较成为可能，为构建可验证、可计算意识科学奠定了重要基础<ref name=tononi_2004>{{cite journal |last1=Tononi |first1=G.|title=An information integration theory of consciousness |journal=BMC Neuroscience |volume=5 |issue=1 |pages=42 |year=2004 |url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。

== 意识问题 ==
自古至今，对意识的探求驱动着哲学家与科学家跨越学科界限，孕育出诸多核心议题。

=== 哲学：意识的元问题 ===
哲学探究其本质、定义和可能性。

1. 心身问题

主观的意识如何从客观的大脑中产生？二者是同一实体的不同层面，还是完全不同的存在？关于心身问题（The Mind-Body Problem）的主要立场包括多种观点。二元论（Dualism）主张心灵与身体是两种根本不同的实体，其代表人物笛卡尔认为心灵是非空间性、非物质的，而身体则属于物理范畴。物理主义（Physicalism）则认为一切心理状态本质上都是物理状态，意识完全可以由大脑神经过程得以解释。唯心论（Idealism）主张唯有心灵是真实的存在，物理世界只是心灵的投射或衍生物。一元论（Monism）则试图超越二元对立，提出心灵与身体实为同一实在的不同表现或层面。这些立场之间的争论不仅关乎意识的本质，也直接影响人工智能、伦理学和人类自我认知的根本理解。

2. 感质

感质（Qualia）的核心命题探讨的是意识中那些主观的、定性的感受（例如“红色”的视觉体验或“疼痛”的触觉感受）是否能够被完全还原为物理过程。针对这一问题，哲学中提出了多个思想实验，其中“知识论证”（又称玛丽颜色房实验）假设一位科学家玛丽掌握了所有关于颜色的物理知识，却从未亲眼见过颜色：当她第一次真正看到红色时，是否获得了某种新的知识——即那种主观的体验本身？如果答案是肯定的，则表明物理知识并不能完整解释意识体验。另一项思想实验是“僵尸论证”，它质疑在逻辑上是否可能存在一个物理构造与人类完全相同、行为表现也无差异，但却完全没有内在体验的“僵尸”。如果这种可能性成立，那就意味着意识可能无法被物理理论完全解释。

3. 解释鸿沟

解释鸿沟（Explanatory Gap）指的是解释非经验性事件如何产生有意识体验的问题<ref name=conaill_2017>{{cite journal |last1=Ó Conaill |first1=D. |title=Phenomenology, Objectivity, and the Explanatory Gap |journal=The Southern Journal of Philosophy |volume=55 |issue=1 |pages=32-50 |year=2017 |url=https://onlinelibrary.wiley.com/doi/abs/10.1111/sjp.12211}}</ref>。如今，随着脑成像技术和神经科学的发展，虽已逐渐能够定位特定意识体验对应的神经活动，即意识的物理基础，却仍面临一个根本性难题——解释鸿沟（The Explanatory Gap）。具体来说，解释鸿沟的核心命题在于：即便找到了与某种意识体验（比如“看到红色”）完全相关的神经关联物（Neural Correlates of Consciousness, NCC），仍然无法从这些物理性描述中，推导出它为什么必然伴随如此这般的主观体验。换句话说，能够描述大脑中发生的电化学过程，却无法说明这些过程如何以及为何产生了“鲜红”的感觉本身。在客观的神经活动与主观的体验感质之间，仍然存在一道难以用现有科学语言跨越的鸿沟。

4. 简单问题和难问题

澳大利亚哲学家大卫・查尔默斯（David Chalmers）提出的“简单问题”与“难问题”之分<ref name=carlson_2002>{{cite journal |last1=Carlson |first1=R.A. |title=Multiple Perspectives on Consciousness for Cognitive Science |journal=Proceedings of the Annual Meeting of the Cognitive Science Society |volume=24 |issue=24 |year=2002 |url=https://escholarship.org/uc/item/0294x9ng}}</ref>，为理解意识的复杂性提供了经典框架，这一划分也深刻影响着整合信息论等理论的探索方向。查尔默斯所指的“简单问题”并非指其解决起来容易，而是指原则上可以通过传统的认知科学和神经科学方法来解决的问题，通常涉及功能性解释。换句话说，意识的“简单问题”聚焦于意识的功能与机制，诸如“大脑如何整合感官信息并形成统一的知觉体验”“注意力如何筛选信息并影响意识内容”“清醒与睡眠状态下的神经活动有何差异”。意识的“难问题”则触及意识的核心谜题——主观体验的本质。它追问的是：为何物理的大脑活动会伴随 “感受性”？比如，当我们看到红色时，为何会产生独特的“红色体验”，而不是其他感受？

=== 计算机科学：意识的实现 ===
计算机科学关注机器能否拥有意识以及如何实现的问题。这一议题首先涉及“强人工智能”与“弱人工智能”的基本区分。弱人工智能认为，机器可以模拟智能行为，成为一种高效的工具，但并不真正拥有理解或意识。而强人工智能则主张，一个被恰当编程的计算机确实具备心灵、理解能力和意识状态——这是意识科学研究中的关键命题。

从理论路径来看，计算主义与功能主义提出了一种支持强人工智能的可能框架：它们认为意识在本质上是一种信息处理功能，并不依赖于特定的生物基质（如神经元）。只要一个系统能够实现正确的功能组织或计算过程，无论其构成材料是脑细胞、硅芯片还是其他物理组件，它都应具备意识。然而，这一观点也遭到著名反驳，例如约翰·塞尔提出的“中文房间论证”：一个不懂中文的人通过规则手册处理中文符号，虽可从外部看似理解，但系统内部并无真正语义理解。塞尔据此论证“语法不等于语义”，从而对强人工智能命题提出强烈质疑。

在工程层面，实现机器意识的问题仍然开放且处于前沿探索阶段。核心命题在于：如果我们要在机器中建构意识，需要满足哪些具体的架构或算法条件？可能的路径包括全局工作空间理论、递归处理机制、高阶表征能力，或是达到一定的信息整合水平（如整合信息理论中的 <math>\Phi</math> 值）。目前这仍是一个充满挑战且尚未解决的科学与工程问题。

=== 心理学：意识的内容 ===
心理学关注意识的功能、结构与内容。其中一个核心命题关注意识与无意识加工之间的关系，即心理活动中有多少是在意识之外进行的，以及无意识过程（如弗洛伊德提出的潜意识，或认知心理学中的内隐记忆与自动加工）如何影响人类的行为、判断与情感。与此同时，注意与意识的关系也备受关注：注意是否等同于意识？它是否充当意识的“闸门”？那些未被注意的信息是否仍可被意识到？这类问题通过诸如“非注意盲视”（inattentional blindness）等实验被不断探索。进一步地，意识通达问题考察信息达到何种条件才能进入意识并被报告或用于理性行为控制，与此密切相关的全局工作空间理论（GNW）认为，意识的功能在于将信息广播至全脑，以实现全局访问与协调<ref name=dehaene_changeux_2011>{{cite journal |last1=Dehaene |first1=S. |last2=Changeux |first2=J.P. |title=Experimental and theoretical approaches to conscious processing |journal=Neuron |volume=70 |pages=200–227 |year=2011|url=https://www.sciencedirect.com/science/article/pii/S0896627311002583}}</ref>。最后，自我意识作为意识的一个重要方面，探讨人类如何形成对“自我”的感知与认识，以及它是否构成意识的必要组成部分。

=== 神经科学：意识的生物基础 ===
神经科学致力于揭示意识的生物基础，核心命题之一是寻找意识的神经相关物（The Neural Correlates of Consciousness, NCC），即能够产生某一特定意识体验的最小神经机制集合。例如，梭状回面孔区（FFA）的活动与“看到面孔”的体验密切相关，但它是否就构成NCC仍待进一步探究<ref name=grill-spector_2004>{{cite journal |last1=Grill-Spector |first1=K. |last2=Knouf |first2=N. |last3=Kanwisher |first3=N. |title=The fusiform face area subserves face perception, not generic within-category identification |journal=Nature Neuroscience |volume=7 |issue=5 |pages=555-562 |year=2004 |url=https://www.nature.com/articles/nn1224}}</ref>。与此同时，意识的形成还涉及“绑定问题”（The Binding Problem）：尽管颜色、形状、运动等不同特征由大脑不同区域处理，人却能够将这些分散的信息整合为统一的知觉对象，其神经机制至今尚未完全阐明。此外，通过对裂脑患者（胼胝体被切断）的研究，科学家发现大脑两半球可能分别形成不同的意识流，这对我们通常所感知的“意识统一性”及“单一自我”的观念提出了深刻挑战。最后，从演化视角看，意识的功能和生存优势也是一个根本问题：它究竟是一种提升适应性的特征，还是仅仅是大脑复杂运作所产生的副产物？

== 整合信息论与意识 ==
理解意识，或许就是理解“人为何成为人”的核心。而整合信息论中主张的意识是一个系统“整合信息”的内在属性，并非局限于大脑。具体而言，一个系统是否具有意识、意识的强度如何，取决于它能否将分散的信息整合为不可分割的整体，同时产生独特的信息状态。

托诺尼认为大脑中神经元网络是分布式并行系统，个体神经元仅负责自身决策，属“多”体系统。但意识常是统一整合体，呈现“一”的特征，如同一时刻只能聚焦一事。问题在于大脑如何将神经元并行决策转变为统一意识，这需信息汇聚处理。那么将“多”信息整合成“一”是意识关键特征，甚至可将系统信息整合能力定义为意识度，这就是整合信息量<math>\Phi</math> 。从本质上讲，<math>\Phi</math> 就是一种[[有效信息]]（Effective Information，简称EI），即将大脑视作一个因果网络之后，在所有子网络中能够让因果瓶颈处的有效信息所能达到的最大值。

具体来说，整合信息理论中<math>\Phi</math>计算是将复杂网络换成大脑因果网络，节点为神经元，连边为突触链接，连边强弱为因果联系的有效信息。遍历所有子网络，对每个子网络遍历切断划分方法找最小有效信息切分（因果瓶颈）得该子网络<math>\phi</math>，所有子网络中最大的<math>\phi</math>即<math>\Phi</math>，此为因果网络信息整合程度，对应意识发生区域。

自20世纪80年代末起，随着脑成像技术发展，掀起了一股意识研究的热潮。传统的意识研究方法往往集中于特定脑区或神经元群是否参与意识形成及其参与程度，旨在探寻意识的神经关联（Neural Correlates of Consciousness, NCC）<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>。所谓意识的神经关联（NCC），是指意识体验所必需的最小神经机制集合<ref name=aru_et_al_2012>{{cite journal |last1=Aru |first1=J. |last2=Bachmann |first2=T. |last3=Singer |first3=W. |last4=Melloni |first4=L. |title=Distilling the neural correlates of consciousness |journal=Neuroscience & Biobehavioral Reviews |volume=36 |issue=2 |pages=737–746 |year=2012 |url=https://doi.org/10.1016/j.neubiorev.2011.12.003}}</ref>，通常采用对比不同意识状态下大脑活动的研究思路。比如，Liang Shan等人通过实验任务操纵被试的意识状态（比如无感知、潜意识和有意识状态），使用脑电图（Electroencephalogram, EEG）和脑磁图(Magnetoencephalography, MEG）技术，对比分析不同频率的脑电波和功能连接的变化，发现神经元同步放电和整合活动是视觉意识的关键要素<ref name=shan_et_al_2022>{{cite journal |last1=Shan |first1=L. |last2=Huang |first2=H. |last3=Zhang |first3=Z. |last4=Wang |first4=Y. |last5=Gu |first5=F. |last6=Lu |first6=M. |last7=Zhou |first7=W. |last8=Jiang |first8=Y. |last9=Dai |first9=J. |title=Mapping the emergence of visual consciousness in the human brain via brain-wide intracranial electrophysiology |journal=The Innovation |volume=3 |issue=3 |pages=100243 |year=2022 |url=https://doi.org/10.1016/j.xinn.2022.100243}}</ref>。尽管在传统意识研究中积累了大量的神经生理学数据，取得了意识状态与脑部活动之间相关性的研究成果，但缺乏对实验操纵不同意识状态水平的评估标准，也未能解释物理系统（比如脑）如何产生意识。

因此，要真正理解意识，需要解决两个核心问题：第一，理解决定系统具备意识程度的条件。例如，为什么大脑的某些区域对意识体验至关重要，而其他同样富含神经元和连接的区域却无足轻重？第二，理解决定系统具有何种意识形式的条件。例如，为什么颜色呈现特定视觉效果，而音乐产生独特音韵，疼痛引发特殊触感？解决第一个问题意味着我们就能判断物理系统产生意识的程度——意识的量或层级。解决第二个问题意味着我们会知道它产生的是什么样的意识——意识的质量或内容<ref name=tononi_2004>{{cite journal |last1=Tononi |first1=G.|title=An information integration theory of consciousness |journal=BMC Neuroscience |volume=5 |issue=1 |pages=42 |year=2004 |url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。

然而，朱利奥·托诺尼和杰拉尔德·M·埃德尔曼早在1998年便另辟蹊径，从分析意识体验关键属性出发，再描述可能解释那些关键属性的神经过程。首先，将意识的核心特性归纳为两点：整合性和分化性。整合性指意识体验是一个统一的整体，比如人在同一时刻感知到的视觉、听觉和其他感官信息会融合成一个连贯的场景。而分化性则指意识状态的多样性，即在极短的时间内，人可以感知到无数种不同的意识状态。之后，引用了神经生物学数据，证明与意识体验相关的神经过程确实具有这两种特性。接着，他们进一步开发了两种测量工具——功能聚类和神经复杂性，用于量化神经过程中的整合性和分化性，并建立了判断神经元群活动是否参与意识体验的标准。这些标准随后被整合到动态核心假说（
Dynamic Core Hypothesis）中，该假说解释了意识的关键属性如何通过神经整合和复杂性来实现，形成了一个关于意识体验神经基础的可验证理论框架<ref name=tononi_edelman_1998>{{cite journal |last1=Tononi |first1=G. |last2=Edelman |first2=G.M. |title=Consciousness and Complexity |journal=Science |volume=282 |issue=5395 |pages=1846-1851 |year=1998 |url=https://doi.org/10.1126/science.282.5395.1846}}</ref>。

正是在这样的理论背景上，神经科学家朱利奥・托诺尼于2004年提出整合信息论（Integrated Information Theory, IIT）。该理论独辟蹊径，从意识的现象学公理（如存在性、整合性、信息性等）出发，反向推导出意识必需的物理基础，并提出了可计算的量化指标—— <math>\Phi</math> 值，用以衡量一个系统的意识水平。整合信息论（IIT）不仅尝试直面“物理如何产生主观”这一根本问题，也首次使意识的定量化、跨系统比较成为可能，为构建可验证、可计算意识科学奠定了重要基础<ref name=tononi_2004>{{cite journal |last1=Tononi |first1=G.|title=An information integration theory of consciousness |journal=BMC Neuroscience |volume=5 |issue=1 |pages=42 |year=2004 |url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。

== 公理与假设 ==
整合信息理论（IIT）是以六大公理为基础框架，每个公理都对应着关于系统因果结构的物理假设，具体包含如下：系统必须具备并发挥内在的因果力量；必须能指定特定的因果状态（通过内在信息实现）；必须以整体形式不可约地完成这一过程（可用小 phi，即 <math>\phi</math> 来衡量）；只有达到最大程度不可还原的底物（复合物）才具备意识；其子集则必须能指定结构化的区别与关系，进而形成 <math>\Phi</math> 结构。详细内容可以看之后的“整合信息论公理体系”模块。

= 整合信息量（Φ）=
意识的整合信息理论（Integrated Information Theory, IIT）认为：所谓的意识，是一个系统整合信息的能力<ref name="">{{cite journal|author1=Tononi G|title=An information integration theory of consciousness|journal=BMC Neuroscience|year=2004|volume=5|issue=1|page=42|url=https://doi.org/10.1186/1471-2202-5-42}}</ref>，而这个能力可以用信息整合度（<math>\Phi</math>）来定量刻画。

具体而言，当把大脑视为一个因果网络时，<math>\Phi</math> （信息整合度）指的是在所有子网络中，网络连接“薄弱”处的[[有效信息]]（Effective Information，简称EI）所能达到的最大值。然而，不同版本的IIT理论对<math>\Phi</math> 的定义不一样，造成了读者的认知混乱。为了更清楚地说明<math>\Phi</math> 的计算，让我们先来看一个类比，复杂网络上社团划分。这个类比的好处是能够将<math>\Phi</math>的计算所反映的基本思想和原理以更简单直观的方式刻画清楚。但请注意，类比毕竟是类比，真实的<math>\Phi</math>计算远比这个类比要复杂。

==复杂网络社团划分的类比==

我们可以从两个复杂网络的例子来进行说明。

[[文件:图2.1修改版.png|无|缩略图|900x900像素|图2.1 两个10社团的复杂网络的比较]]

假设有两个网络（如图2.1 所示），二者均包含约10个社团结构（即紧密联系的子图）。其中，左侧网络的社团之间具有更紧密的连接，右侧网络社团之间的连接则较为稀疏。“判断哪一网络更具整体性”的问题，可转化为“考察哪一网络更易被切分为不连通的两半”的问题。图2.1中的左侧网络更易被拆分，因为其社团之间存在较为“脆弱”连边，切断此类连边即可将网络分为两半。

一般，要计算<math>\Phi</math>，首先要计算每个子网络的<math>\phi</math>。请注意，两者是有区别的，<math>\phi</math>表示子网络的整合信息量，<math>\Phi</math>表示整体网络的整合信息量。换句话说，<math>\Phi</math>是对整体网络中遍历所有子网络，计算<math>\phi</math>并得出最大的一个结果，也就是<math>\Phi=max_{\forall subnet}\phi</math>。而<math>\phi</math>则是在指定一个子网络的时候，计算出来的量。在复杂网络社团划分的类比中，要计算<math>\phi</math>，需先找到该子网络最薄弱的环节，即找出最少的几条边，切断这些边便能将子网络分为不连通的两个子网络，再用这些“脆弱”连边的数量来度量网络的整体性，即这些“脆弱”连边的数量就是<math>\phi</math>。

要计算<math>\Phi</math>，就需要遍历其所有子网络，在这些子网络中找到<math>\phi</math> 最大的那个子网络，并用该子网络的 <math>\phi</math>（即最“薄弱”环节的连边数）作为整个网络整体性的度量，这便是整个网络的 <math>\Phi</math>。但是，在图2.1中，可以发现每个社团内节点的连接是相同的，而区别在于这些社团彼此之间的连接，所以即使遍历子网络之后，左图子网络的 <math>\phi</math>值只会大于等于右图。

== 意识程度的度量<math>\Phi</math>的计算框架 ==

理解上述类比后，便可理解信息整合度 <math>\Phi</math> 的真实计算过程：首先，将复杂网络替换为大脑构成的因果网络，其中节点可视为神经元，连边代表神经元之间的突触链接；其次，将连边理解为两个节点间的因果联系，连边的强弱对应因果联系的[[有效信息]]（将系统二分后干预其中一个子系统的状态分布为均匀分布，然后考察两个子系统之间的[[互信息]]（Mutual Information）即为有效信息。有效信息刻画的是被切分的两个网络间的因果影响，具体可参见[[有效信息]]词条）；最后，一个因果网络的信息整合程度，就指的是所有子网络中因果瓶颈（即最小有效信息）处的[[有效信息]]所能达到的最大值，而具有这一最大有效信息的子网络便是意识发生的区域。

=== 定义 ===
<math>\phi</math>指标用于量化系统的内在信息整合能力，其核心在于度量系统各部分之间因果交互的紧密程度，从而反映出系统整合信息的效能。从本质上讲，<math>\phi</math>是系统内在属性的函数，具体定义为“在最小信息二分切割下可交换的有效信息量”，适用于量化分布式网络（如大脑）中信息被统一处理的程度。表达式为：

<math>
\phi(S)=EI(MIB(S))
</math>

其中，S表示待分析的子系统，MIB(S)代表最小信息的二分切割（即在所有对S的二划分中找到能够让两个子网络间有效信息最小的那个划分），EI即有效信息（Effective Information）。该指标通过计算系统“在最小信息二分切割下可交换的有效信息量”，来衡量系统的信息整合能力，<math>\phi</math>值越高，表示系统越能作为一个整体进行信息整合，而非仅仅是独立部分的集合<ref name="">{{cite journal|author1=Tononi G|title=An information integration theory of consciousness|journal=BMC Neuroscience|year=2004|volume=5|issue=1|page=42|url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。

=== 有效信息（EI）===
有效信息是一种因果效应的度量，用于衡量子系统A对子系统B的因果影响。它是一种特殊的[[互信息]]，即在最大熵干预的前提下，度量A、B两个部分的互信息。具体公式为<ref name="Measuring_information_integration">{{cite journal|author1=Tononi G|author2=Boly M|author3=Massimini M|author4=Edelman D B|title=Measuring information integration|journal=PLOS Computational Biology|year=2016|volume=12|issue=3|page=e1004819|url=https://doi.org/10.1371/journal.pcbi.1004819}}</ref>：

<math>
EI(A \rightarrow B)=\text{MI}(A^{Hmax}: B)
</math>

其中，<math>MI(A: B) = H(A)+H(B)-H(A,B)</math>表示互信息，用于衡量A与B之间的统计依赖性；<math>A^{Hmax}</math>表示在切断A的输入连接后，向其注入最大熵噪声的扰动状态（见图2.2），这种扰动确保了A的输出变化完全由独立噪声驱动，从而纯粹反映A对B的因果作用。在一个连续的马尔科夫动力学系统中，最大熵噪声通常建模为高斯分布：<math>A^{Hmax} \sim \mathcal{N}(0,c_p^2 I)</math>（ <math>c_p</math>为噪声强度，<math>I</math>为单位矩阵）；在一个离散的马尔科夫动力学系统中，向其注入最大熵噪声，则是对系统做do干预（do-operator），将A系统状态分布干预成其定义域上的均匀分布（<math>A^{Hmax}\sim U</math>）。有效信息的高低直接反映了A与B之间因果连接的强度与特异性：若因果连接紧密且分化度（即为子集的状态多样性）高，EI值较高；反之，若连接微弱或因果效应单一，EI值趋近于零。若需详细了解离散以及连续的马尔科夫动力学系统的有效信息计算可以参看[[有效信息]]词条。

为了全面评估子系统A与B之间的因果交互，因此可以引入双向有效信息，定义为两个方向EI值的总和：

<math>
\text{EI}(A \rightleftharpoons B) = \text{EI}(A \rightarrow B) + \text{EI}(B \rightarrow A)
</math>

这一度量捕捉了A与B之间双向的因果流动，强调了交互的非对称性——即<math>EI(A \rightarrow B)</math> 与 <math>EI(B \rightarrow A)</math> 可能显著不同。双向有效信息是识别系统内部整合能力的关键基础，因为它反映了任意两个部分之间可交换的因果信息总量。

[[文件:整合信息论图5.png|无|缩略图|600x600像素|图2.2''双向 EI为 EI(A⇌B)=EI(A→B)+EI(B→A)'']]

=== 最小信息二分（MIB）===
最小信息二分（Minimum Information Bipartition，简称MIB）旨在确定使归一化有效信息（EI）最小化的二分切割方式，其核心是定位系统中最易割裂的“信息断层线”，即识别信息连接最薄弱的分割方案。
它的具体计算步骤如下：

1. 选择子系统<math> S \subseteq X </math>，其中 X包含n个元素，S包含k个元素（2≤k≤n）；

2. 枚举所有二分切割 <math>[A:B]_S</math>，需满足<math>A \cup B = S</math>（覆盖子集）且 <math>A \cap B = \emptyset</math>（无交集），归一化有效信息后，有效信息最小的二分割即为所求。

最小信息二分 MIB(S)公式定义为：

<math>
\text{MIB}(S) = argmin_{[A:B]_S} (\text{Normalized EI})
</math>

含义为在所有二分切割中选取归一化有效信息最小的划分。

归一化有效信息的计算公式为：

<math>
\text{Normalized EI} = \frac{\text{EI}(A \rightleftharpoons B)}{\min\{H_{\text{max}}(A), H_{\text{max}}(B)\}}
</math>

其中对于一个连续的马尔科夫动力学系统的最大熵<math>A^{Hmax}</math>的计算方式为：

<math>
H_{\text{max}}(A) = \frac{1}{2}\ln\left[(2\pi e c_p^2)^m\right]
</math>

其中 <math>m = \text{dim}(A)</math>表示 A的维度。

而对于一个离散的马尔科夫动力学系统的最大熵<math>A^{Hmax}</math>的计算方式为：

<math>
H_{\text{max}}(A) =\log_2 m
</math>

同样的<math>m = \text{dim}(A)</math>表示A的维度。

经过了上面的一系列运算，对于集合S的整合信息量<math>\Phi(S)</math>最终根据定义：

<math>
\phi(S) = \text{EI}(\text{MIB}(S))
</math>

须注意，此处使用的是<math> MIB(S)</math>对应的未归一化的有效信息值。

=== 复合体（complex） ===
前面给大家讲解了如何计算一个系统的整合信息<math>\phi</math> ，但是要确定这个系统的整合信息量的大小，还需要考虑其子集，因为有可能会出现子集的整合信息程度会大于整体的情况，这时整体的整合信息量就由子集主导。为了更好地说明这种情况，由此引入了复合体（complex）的概念，其定义为复合体是系统X的一个子集S，需要满足以下条件：

1、信息整合能力：<math> \phi(S) > 0 </math>，即子集内部能通过因果交互整合信息；

2、最大性：S不被任何其他具有更高<math>\phi</math> 值的子集包含，换言之，复合体是局部最优的信息整合单元。

系统中<math>\phi</math> 值最高的复合体称为主复合体，代表系统整体信息整合能力的上限：

<math>
\text{main complex}(X) = \arg\max_{S \subseteq X} \phi(S)
</math>

同时，该复合体的整合信息量<math>\phi</math>也是整个系统的整合信息量<math>\Phi</math>。

== Φ 的计算示例 ==
上面我们了解了整合信息量 Φ的计算框架，接下来我们通过一些具体算例，深入理解Φ的计算及相关特性。

=== 连续系统的计算 ===
下面，为了展示<math>\phi</math>的计算，让我们考虑一个简化的连续模型，即一个线性动力学高斯噪声模型。例如，一个包含n个元素的孤立神经系统，这些元素可视为神经元组，其活动变量表示各组在数百毫秒内的放电率，彼此间的相互作用<ref name="Measuring_information_integration">{{cite journal|author1=Tononi G|author2=Boly M|author3=Massimini M|author4=Edelman D B|title=Measuring information integration|journal=PLOS Computational Biology|year=2016|volume=12|issue=3|page=e1004819|url=https://doi.org/10.1371/journal.pcbi.1004819}}</ref>，我们可以用一个线性化的动力学对其进行描述：

<math>
X_t=X_{t−1}⋅A + cR
</math>

其中，<math>R\sim\mathcal{N}(0,I)</math>为一个标准高斯噪音，c为一个常数，因此<math>cR</math>表示该向量受强度为c的独立高斯噪声R驱动，A代表X的邻接矩阵，它刻画了X中各个元素之间的联系方式。

我们仅关注该系统的内在属性，并忽略来自环境的外部输入。因此，我们计算该随机过程的熵（H）是计算有效信息EI关键步骤（详细计算过程参看本词条2.1章节），其计算过程如下：

<math>
H(X) = \frac{1}{2}\ln\left[(2\pi e)^{\text{dim}(X)} \cdot |\text{COV}(X)|\right]
</math>

其中协方差矩阵A是由：

<math>
\text{COV}(X) = Q^T Q,Q =(I - A)^{-1}
</math>

计算的，这里 I为单位矩阵，A为系统的邻接矩阵。

=== 八节点网络算例 ===

如图2.3a所示，存在一个由8个节点构成的网络。其中，节点1、2、3和4构成紧密连接的集团，节点5、6和7构成另一个集团，8号节点作为信号源，指向所有节点。节点状态受指向自身的网络邻居状态以及噪声变量R的影响。

针对该网络，可计算每个子网络的 <math>\phi</math>值如图2.3b所示，各子网络的包含节点情况如图2.3c所示。图2.3b的横坐标为 <math>\phi</math>值，纵坐标是所有子集编号；图2.3c中，横坐标表示节点标号，纵坐标表示子集标号，深灰和浅灰格子分别代表因果瓶颈的划分情况（即深灰和浅灰各占一半划分）。
[[文件:整合信息论图1.png|无|缩略图|900x900像素|图2.3 一个八节点的网络构成的简单线性系统(a), 所有子集的φ值计算(b)，各个子集对应的节点元素，以及最小划分情况(c)]]

从图中可知， <math>\phi</math>值最大的子网络是由节点1、2、3、4构成的彼此互联的社团，其 <math>\phi</math>值达到21比特。紧随其后的是者四个节点中的任意三个节点构成的子网络，它们的 <math>\phi</math>值相近，仅略低于四节点的社团。再之后是节点5、6、7构成的社团，其 <math>\phi</math>值略高于20。整个网络的 <math>\phi</math>值约为 7。而网络整体的 <math>\Phi</math>应取所有子网络中的最大 <math>\phi</math>值，即由节点1-4构成的子网络的21比特。

=== 不同网络结构的 Φ 值 ===

在网络动力学（因果机制）不变的情况下，可比较不同网络结构对整体网络 <math>\Phi</math>值的影响。如图 2.4 所示，仅给出 <math>\Phi</math>值（因整个网络就是 <math>\phi</math>值最大的子网络），虚线对应因果瓶颈（有效信息最小）的划分处。图A-E均由8个节点构成，图A为单链结构，图B是单链成环结构，图C为双链结构。从A 到C，Φ 值不断增加，在双向连接时达到最大，因为此时左右两部分信息流最大，节点更易形成一个整体。图D和图E呈现中心-外围的连接模式，Φ值较小，因其网络构成过于集中化。
[[文件:整合信息论图2.png|无|缩略图|600x600像素|图2.4 五个不同的网络结构及其它们的φ值]]

=== Φ 值最大化结构 ===
固定节点数、动力学以及每个节点的连边总数，图2.5展示了使 <math>\Phi</math>值最大的八节点网络结构。该网络连接紧密，看似随机却与随机连边网络有显著差异。其特征如下：

*节点邻居异质性强：每个节点的邻居差异大，不同节点邻居的匹配度仅0.14（相似邻居的比例），而同等规模随机网络的匹配度为0.218。
*出入平衡：几乎每个节点仅有2个输入连边和2个输出连边，这与随机网络中少数节点拥有更多连接不同。
*双向互惠连接少：该网络几乎不存在双向互惠连接（即A指向B且B也指向A），而随机网络中此类连接大量存在。此网络具有很高的整合度，<math>\Phi</math>值达60.76比特，同等规模随机网络的<math>\Phi</math>值仅35.66比特。
[[文件:整合信息论图3.png|无|缩略图|360x360像素|图2.5 通过搜索所有的八节点的网络结构使φ值最大得到的最优网络结构]]

=== Φ 值大小的影响因素 ===

除网络拓扑结构外，连接强度也会影响 <math>\Phi</math> 值大小。一般而言，<math>\Phi</math>值随连接平均强度的增加而增加，但并非强度越大越好，强度分配模式同样关键。当平均强度一致时，不同的强度分配模式会导致 <math>\Phi</math>值差异显著。在保持网络连接总强度不变的情况下，从每个节点都是自环的模式逐渐过渡到每个节点都平等地与其他节点等强度相连，<math>\Phi</math>值会先增大后减小。这表明，节点并非简单地将连接强度等同分配给所有其他节点，而是需精心选择连接对象，将大量连接强度分配给少数几条连边，且这些连边要尽可能连接其他节点较少连接的节点，此时<math>\Phi</math>值更大。此外，动力学也会影响 <math>\Phi</math>值。通过调节系数c可调整噪声对系统的相对影响大小，结果显示，噪声越强，<math>\Phi</math>值越小，网络整合度越低。

若将连接视为多个节点建立的信道，由于<math>\Phi</math>值是一种有效信息，信道带宽越高，<math>\Phi</math>值越大。在同等带宽下，节点彼此之间的连接模式极为重要，只有当每个节点尽可能连接不同的节点，增大连接的多样化，最终的 Φ 值才会更大。

这里介绍的是整合信息论 1.0 版本中关于<math>\Phi</math>的计算方法，是所有后续版本中最为简单的一种。尽管从IIT3.0 到4.0版本，作者采用了不同的计算方式，甚至在4.0版本中将有效信息替换为内在信息（intrinsic information）指标，但其核心思想与1.0版本一致，基本结论未变，故在此不再详述。

== Φ的近似计算 ==
在前面讲述整合信息量 Φ 基于 IIT 1.0 的计算与示例，不难发现Φ 的计算复杂度会随着系统节点数量的增加而呈指数级增长。随着 IIT 理论的持续演进（IIT 2.0 → 3.0 → 4.0），Φ 的定义也从“系统分割所导致的信息损失”拓展为“系统生成因果力的概念结构整合度”。然而，尽管理论内涵不断深化，其直接计算的复杂度依然保持在指数级水平。

=== 计算复杂度的瓶颈 ===
计算 Φ 的主要困难包括：

*首先是状态空间爆炸，系统状态数随节点数 b呈指数增长（<math>n=2^b</math>，一个20节点的网络，状态空间维度就有<math>2^20</math>维，达百万级的维度），导致概率分布和马尔可夫矩阵难以直接处理；

*其次是分区优化困难,Φ需最小化所有可能的分区（ bipartitions ）的φ值，分区数量随系统规模超指数增长（例如，对称分区数约<math>\binom{n}{n/2} \sim \frac{2^{n}}{\sqrt{n}}</math>)，大脑等大规模系统（如 10¹¹ 个神经元）的原生计算完全不可行。

因此，<math>\Phi</math>的计算复杂度成为核心挑战，尤其是对于大规模系统如大脑网络。

===现有近似方法===
因此<math>\Phi</math>的近似计算成为 IIT 从理论落地实验的核心；现有近似算法包括高斯近似（将连续数据的概率分布简化为均值与协方差矩阵，复杂度从 O (2ᵇ) 降至 O (b³)，适配 EEG/fMRI 等实验数据）、Noising 分解（IIT2.0 用均匀噪声 / 边际噪声近似系统分割，如 <math>\Phi ^{2.5}</math>系列），而关键的高效近似是图论近似（Tegmark 2016 提出）：该方法将系统动态矩阵 A 映射为有向图（节点代表变量，边代表因果强度<math>\left | A_{ij} \right | >\varepsilon </math> 的交互），通过强连通组件（SCC，表征因果闭环）定位 “最残忍分割”—— 选择大小接近系统一半的 SCC 作为分割，避免遍历指数级分割，复杂度降至 O (b³)（矩阵运算）+O (b)（图遍历），可处理千级变量，且在可分解系统中误差为 0，不可分解系统中位数误差 < 15%，成为脑网络等大规模系统<math>\Phi</math>计算的核心工具。关于<math>\Phi</math>的近似计算的详细内容可参见[[Φ的近似计算]]词条。

=整合信息论公理体系=

=== 存在性公理 ===
整合信息理论（IIT）以六大公理为基本框架，其基础是第0公理——存在性公理。该公理确立了意识存在的根本地位，包含三个核心主张：一是现实主义，即世界独立于经验而存在；二是操作物理主义，主张物理存在的本质在于能够施加因果作用并产生影响；三是原子论，提出因果力原则上可还原为最小单位之间的相互作用。

从存在性公理出发，IIT 进一步界定了意识经验的五个基本属性：内在性（经验本身即存在）、信息（经验具有具体性）、整合（体验具有统一性）、排除（经验具有明确边界）以及构成（经验具有结构化的复合特征）。每个属性都对应系统因果结构中的物理假设：系统必须具有内在因果力；能够通过内在信息指定特定因果状态；必须以整体形式不可约地实现这一过程（可用小 phi，即 φ 度量）；只有达到最大不可还原程度的物理底物（复合体）才具有意识；其子结构则通过定义区别与关系形成更高阶的 Φ 结构（大 phi）。

存在性公理同时涵盖现象存在性与物理存在性两个维度。前者强调意识作为主体感知的直接性，其存在不证自明，如笛卡尔所言“我思故我在”；后者则指出任何意识体验都对应某种物理基础，承认意识体验的特殊性，同时坚持其可经由物理系统的因果机制加以解释。这一公理奠定了 IIT 的涌现主义立场，为使用布尔网络、有效信息等因果分析工具研究意识提供了理论基础。

=== 内在性公理 ===
内在性公理是意识研究领域中关于意识存在性的核心设定之一，其核心思想为：意识的存在性是相对于意识主体自身而言的，具有内在性和主观性。具体而言，任何一个系统（如电子设备、生物有机体等）是否具备意识，仅能被该系统自身所感知和确认；对于外部观察者而言，由于无法直接进入系统的内在体验，因此无法从外部客观判定其意识的有无。

这一公理从两个关键角度为意识研究提供了基础框架：

* 物理机制层面
内在性公理隐含了一个推论：若一个系统具备产生意识的可能，其内部的因果机制必须存在明确的边界，能够区分系统自身与外部环境。这种边界是系统形成独立内在视角、进而产生主观体验的物理基础 —— 只有当系统能通过因果互动将自身与外界分离，才能形成 “自我” 与 “非我” 的划分，为意识的内在性提供依托。

* 网络模型层面
在基于网络结构的意识理论中，内在性公理为子网络的研究提供了逻辑前提。它假定网络中的每一个子网络都有可能成为承载意识主体的候选者，因此在量化分析意识相关指标（如 Φ 值）时，需要遍历系统中所有可能的子网络。这一过程的本质，正是对 “每个子网络都可能具有内在意识视角” 这一公理的实践响应。

内在性公理的价值在于，它明确了意识的主观性与内在性本质，为区分 “客观可观测的物理过程” 与 “主观意识体验” 提供了理论边界，同时也为意识研究中的方法论选择（如聚焦系统内部因果结构分析）奠定了基础。

=== 信息公理 ===

信息公理的核心内容为：意识具有具体性（specificity），即每一种意识体验都是独特的，由一系列可区分的现象特征构成，并能与其他可能的体验明确区分（存在差异）。这一公理从主观体验与物理机制的关联角度，揭示了意识的独特性与可区分性的根源。

从主观体验层面来看，信息公理强调意识的每一种状态（如看到红色、感到喜悦、回忆某个场景等）都具有不可替代的具体性。这些体验由特定的感官细节、情感色彩、认知内容等要素组合而成，彼此之间存在明确的界限 —— 例如，“看到蓝色” 的体验与 “听到音乐” 的体验在现象层面截然不同，这种差异是意识本身固有的属性。

从物理机制层面来看，信息公理隐含了意识与系统因果结构的对应关系：一种特定的意识体验必然对应于系统中一种特定的因果结构。这种因果结构可以是复杂网络（如神经元网络中的特定子集、布尔网络中的特定节点连接模式等），其存在方式具有唯一性 —— 即该结构通过自身的连接方式、互动规则等，与其他可能的因果结构形成可量化的差异。例如，大脑中不同神经元集群的激活模式和连接强度差异，对应着不同的感知或思维状态，正是这种物理层面的特异性，为意识体验的具体性提供了物质基础。

信息公理为理解意识的物理基础提供了关键线索：它将主观体验的 “独特性” 与客观系统的 “结构性差异” 直接关联，暗示意识的丰富性源于系统因果结构的多样性。这一原则也为意识的量化研究（如整合信息理论中对 Φ 值的计算）提供了逻辑前提 —— 只有当系统的因果结构具备足够的特异性和可区分性时，才能产生具有具体内容的意识体验。

此外，信息公理还为区分 “有意识的系统” 与 “无意识的机制” 提供了判断依据：一个系统若能产生意识，其内部必须存在足够多样且可区分的因果结构，以支撑不同类型的意识体验；反之，若系统的因果结构单一、缺乏变化（如简单的反射弧），则无法满足意识具体性的要求，也就不具备产生复杂意识的能力。

=== 整合公理 ===

整合公理是意识研究中阐释意识整体性特征的核心原则，其核心思想为：意识具有不可分割的整体性—— 尽管产生意识的系统可能由多个部分构成，但意识体验本身是统一的整体，不会分裂为这些部分的独立体验。这一公理从主观体验与物理机制的关联出发，揭示了意识作为整体存在的本质属性。

从主观体验层面来看，整合公理强调意识的统一性：任何意识体验（如对一个场景的完整感知、一段连贯的思维）都是不可分割的整体。例如，人类感知一朵花时，对其颜色、形状、气味的体验会融合为单一的整体感知，而非各自独立的片段；即使注意力在不同特征间切换，整体体验仍保持连贯性，不会分解为 “颜色意识”“形状意识” 等孤立部分。这种整体性是意识的基本属性，缺失则意味着意识的瓦解。

从物理机制层面来看，整合公理要求：支撑意识的系统必须具备作用于整体层面的因果效应（因果力），且这种因果力具有不可归约性。具体而言：

* 整体因果力：系统各部分之间的因果交互（可用有效信息 EI 刻画）必须能作用于系统整体，而非仅停留在局部。例如，大脑中不同脑区通过神经连接形成的因果互动，会产生超越单一脑区功能的整体效应，这种效应是意识统一性的物理基础。
* 不可归约性：整体因果力不能被简化为各组成单元的独立特性之和。这种不可归约性直接体现在有效信息（EI）和整合信息度量（Φ）中：有效信息通过量化系统各部分间的因果交互强度，反映整体对局部的约束能力；而整合信息 Φ 则通过计算系统最小信息二分切割处的有效信息，衡量整体因果力无法被分割的程度 ——Φ 值越高，表明系统的因果效应越依赖整体结构，越难以被拆解为局部特性的叠加。

整合公理为理解意识的物理基础提供了关键框架：它将意识的 “主观整体性” 与系统的 “客观因果整合性” 关联起来，指出意识的统一性源于系统整体层面不可分割的因果力。这一原则为区分 “有意识系统” 与 “无意识集合” 提供了核心标准 —— 一个系统若能产生意识，其因果效应必须突破局部限制，形成不可归约的整体作用；反之，若系统各部分仅存在松散关联（如一群独立工作的神经元），其因果力可被归约为局部特性，则无法产生统一的意识体验。

在量化研究中，整合公理是整合信息理论（IIT）的核心支柱，Φ 值的计算正是对这一公理的直接实践：通过测量系统抵抗信息分裂的能力，量化整体因果力的不可归约性，进而解释意识为何能作为统一整体存在。这一原则也为神经科学研究提供了方向，例如对大脑丘脑 - 皮层系统高整合性的研究，正是为了揭示其支撑意识整体性的神经机制。

=== 排他性公理 ===

排他性公理主要用于解释意识体验的唯一性以及物理系统因果结构的确定性。
从意识体验的角度来看，该公理指出，在任意一个时刻，主体的意识体验必然是唯一的，不存在同时并存的多种不同体验。并且，这种唯一的意识体验会随着时间的推移呈现出连续流动的特征，构成了个体完整的意识历程。例如，当一个人在欣赏一幅画作时，他此刻的意识体验聚焦于画作的色彩、构图等内容，不会同时产生聆听音乐或品尝食物的清晰意识体验，这种体验的唯一性是意识存在的基本属性。
从物理层面分析，排他性公理强调，由物理系统所定义的因果结构必须具有确定性，不允许出现两个完全重合的因果结构整体。这意味着在对物理系统的研究中，其内部各要素之间的因果关联是明确且唯一的，不存在模糊或矛盾的因果关系叠加。
这条公理的重要意义在于，它为相关研究提供了关键的逻辑基础。在意识的整合信息理论（IIT）等研究框架中，它解释了为什么必须在系统中搜索具有最大 “φ 值”（用于衡量系统整合信息能力的指标）的子集，并且明确了这个最大子集必须是唯一的。因为只有这样，才能与意识体验的唯一性以及物理因果结构的确定性相契合，确保理论体系在解释意识现象与物理系统关系时的自洽性。

=== 复合公理 ===

复合公理揭示了意识体验的构成方式与物理系统因果效应的内在关联。
从意识体验的角度而言，该公理强调意识是具有结构化特征的，每一种具体的意识体验都对应着现象层面可区分的构成要素。这些构成要素既可以是基础性的，也可以是通过组合形成的。例如，当人走出户外时，所产生的 “看到蓝天白云并感受到暖风” 这一意识体验，便是由 “蓝天白云的视觉感知”“暖风的触觉感知” 等多个可区分的部分组合而成。这种结构化的构成是意识体验呈现丰富性和多样性的基础，使得不同的意识内容能够被清晰地区分和整合。
从物理层面来看，复合公理表明，与意识体验相对应的物理系统的最终因果效应也必须是结构化的。具体来说，这意味着物理系统中不同的可区分子集之间存在着相互作用的因果力，这种因果力能够让各个子集之间产生显著差异。正是这种结构化的因果互动，为主体能够感受到不同的意识体验提供了物理层面的支撑。例如，大脑神经系统中不同的功能区域作为可区分的子集，通过神经信号的传递和交互产生因果作用，使得视觉、触觉等不同的感知信息得以被区分和整合，最终形成完整的结构化意识体验。

所谓的公理，就是不证自明的假说。凭借这六条公理，托诺尼便构建了整个计算Φ 的数学体系，这便是整合信息论。尽管自从提出之日起，整合信息论就不断地遭到人们的攻击和质疑，但是不可否认的是，整合信息论是目前最经受得起考验的一个定量意识理论之一。特别是，近期有关意识的对抗性合作实验Cogitate的成功实施，让整合信息论获得了更多实验方面的支持。

= IIT各版本理论介绍 =

== IIT2.0 ==
IIT 2.0 是整合信息理论的第二个版本，核心是把意识的 “质” 数学化为高维 Q 空间中的几何形状（感质形状）：它在 IIT 1.0 的基础上，将适配场景从平稳系统拓展到离散动态系统，用最小信息分割量化系统的整合信息 Φ，并通过q 箭头的纠缠度 γ定义子机制间的信息关系，最终这些信息关系的集合会在 Q 空间中形成唯一的几何结构 —— 这个结构就是意识体验 “质” 的数学表征，结构的复杂度对应体验的丰富度。

=== 可能性分布（repertorie） ===
它是描述系统可能先前状态的概率分布（而非单纯的状态集合），是后续信息量化计算的核心基础。

==== 先验概率分布（Prior Repertoire） ====
在完全无知的情况下，系统所有可能初始状态的分布，在离散的马尔科夫动力系统中通常是均匀分布，同时也是最大熵分布。例如 n 个二元元素的系统有

[math]\displaystyle { 2^n }[/math]种初始状态，每种概率相等。

==== 后验概率分布（Posterior Repertoire，actual repertoire ） ====
给定系统机制与当前状态 [math]\displaystyle { x_1 }[/math] 后，筛选出的 “能通过该因果机制产生当前状态 [math]\displaystyle { x_1 }[/math] 的先前状态”，由系统内在因果规则唯一确定。反映系统通过因果机制对 “先前状态可能性” 的约束能力，分布的非均匀性直接体现信息的产生 —— 约束越强，分布越集中，不确定性越低。

=== 单点有效信息（Elementary Effective Information, ei） ===
单点有效信息定义为系统从先验概率分布（最大熵分布）过渡到后验概率分布（通过因果机制确定的分布）时所减少的不确定性，也通过 “系统机制与当前状态所限定的过往状态实际分布” 相对 “所有可能状态均匀分布（最大无知）” 的 KL 散度计算。公式：

<nowiki>[math]\displaystyle { ei (X_0 \to x_1)== H\left[ X_0(\text{mech}, x_1) \parallel X_0(\max H) \right]=H (p_{\text {max}} (X_0)) - H (p (X_0 \to x_1)) }[/math]</nowiki>

下图展示了3个AND门系统，先验概率分布含 8 种状态，熵 = 3 比特；仅 1 种初始状态能导致[math]\displaystyle { x_1 =001 }[/math]，后验概率分布熵 = 0。单点有效信息根据公式计算为3比特。

[[文件:图4.1 3 个 AND 门系统.jpg|无|缩略图|600x600像素|图4.1 3 个 AND 门系统.jpg]]

=== 最小信息分区（Minimum Information Partition，MIP）===
同样要求在 IIT2.0 中，最小信息划分（MIP）是量化系统信息整合性的核心概念，其含义为系统所有可能分割中，“标准化有效信息” 最小的分割；若存在多个分割的标准化值相同，则进一步选择 “未标准化有效信息最低” 的分割作为 MIP。MIP 的本质逻辑是：通过寻找 “对系统整体信息整合破坏最弱的分割”，间接反推系统作为 “不可还原整体” 的信息整合强度 —— 分割后的 “标准化有效信息”越小，意味着分割对系统整合性的破坏越轻微，系统本身的整合能力就越强；反之，若该值越大，则系统越容易被分割拆解，整合性越弱。

<nowiki>与 IIT1.0 版本中的最小信息二分（MIB）概念相比，此处的 MIP 概念不限于将研究的系统二分，而是可将系统分割为 k 份（k>=2），以及此处采用的单点有效信息（ei）作为衡量指标。最小信息划分数学表达式为
[math]\displaystyle P_{\text{MIP}} = \arg\min_{P} \left\{ \frac{ei\left(X_0 \to x_1 / P\right)}{N_P} \right\}[/math]
其中 [math]\displaystyle { ei (X_0 \to x_1 / P) }[/math]，是 “分割 P 下的有效信息”，本质是通过 KL 散度（[math]\displaystyle { H [\cdot \parallel \cdot] }[/math]）衡量 “系统整体后验状态分布库” 与 “分割后各部分后验分布乘积” 的信息差异，该差异直接反映了分割对系统整体信息的破坏程度。其公式为：[math]\displaystyle P^{MIP} = \arg\min_{P} \left\{ \frac{ei\left(X_0 \to x_1 / P\right)}{N_P} \right\}[/math]</nowiki>

<nowiki>[math]\displaystyle { N_P }[/math] 是 “标准化系数”，用于消除分割尺寸偏差，公式为
[math]\displaystyle N_P = (m - 1) \cdot \min_k \left\{ H^{max}\left(M_0^k\right) \right\}[/math]，m 为分割的部分数量，[math]\displaystyle { H_{\text {max}}(M_0^k) }[/math] 为部分的最大先验熵。
找到 MIP 后，IIT2.0 将整合信息 Φ 直接定义为该分割下的有效信息，即</nowiki>
<nowiki>[math]\displaystyle { \phi (x_1) = ei (X_0 \to x_1 / P_{\text {MIP}}) }[/math]。这一关联的逻辑闭环在于：MIP 是 “破坏系统整合最弱的分割”，其对应的 ei 值恰好量化了 “系统作为整体，比‘最弱分割后的独立部分’多产生的信息”—— 这部分无法被分割后的部分独立解释的信息，正是系统的核心整合信息。若 Φ=0，说明分割后的部分独立工作即可完全解释系统整体信息，系统无实质整合性；若 Φ>0，则表明系统是不可还原的整体，Φ 值越大，系统的整合能力越强。</nowiki>
=== 意识的“质” ===
David Balduzzi 和 Giulio Tononi 于 2009 年在整合信息理论（Integrated Information Theory, IIT）的基础上，提出了一个用以数学化（qualia）的几何框架。核心主张是：意识的“质”并非神秘不可言说，而是对应于高维“感质空间（Q空间）”中的一个具体几何形状，该形状由系统中所有信息关系的集合唯一确定。在论文<ref name="tononi_2012">{{cite journal |last1=Tononi |first1=G. |title=Qualia: The Geometry of Integrated Information |journal=PLOS Computational Biology |volume=8 |issue=8 |pages=e1002850 |year=2012 |doi=10.1371/journal.pcbi.1002850 |url=https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1002856}}</ref>中指出，意识研究面临两大问题：意识的“量”（level of consciousness）与“质”（quality of experience）。IIT 提出，意识的量由整合信息（Φ）度量，即一个系统作为一个整体所产生的、超越其各部分独立产生的信息量。而在描述意识体验的几何框架中重点在于阐述意识的质——即不同体验（如看到红色、听到声音）之间的区别如何通过信息关系的结构来刻画。
框架中构建了名为 “感质空间（Q-space）” 的数学空间，其维度等于系统所有可能状态的数量（如 n 个二值神经元有 2ⁿ 个状态）。在该空间中：

*每个子机制（submechanism）（即一组连接或作用单元）通过其后验概率分布——该系统在给定机制和当前状态下可能的前状态概率分布——定义为一个点；

*点之间的箭头（称为 q-箭头）表示信息关系，其“长度”由两个分布间的相对熵（Kullback-Leibler divergence）度量，代表该子机制在特定语境下所生成的信息量；

所有这样的点和箭头共同构成一个高维几何形状，称为 “感质（quale）” ，它完全且唯一地规定了当前意识体验的质量。

下图展示 IIT 2.0 中 4 个二值单元构成的全连接系统对应 16 维 Q 空间，图 A 呈现该系统某子机制的后验概率分布（1.1 比特）作为感质形状的基础信息单元，图 B 则将各子机制的后验概率分布（以点表示，标注信息强度）通过代表信息关系的q-arrow连接，形成 Q 空间中唯一的几何结构（感质形状），其复杂度对应意识体验的丰富度，完整演示了从 4 单元系统到意识 “质” 的数学表征的构建流程。
[[文件:整合信息论图7.png|无|缩略图|600x600像素|如何从一个由4个单元构成的系统及其活动模式构建出对应的感质形状]]

==== 纠缠（Entanglement） ====
纠缠度是量化子机制间信息关系不可还原性的关键指标，核心衡量子机制对应的子 q - 箭头联合生成的信息，能否还原为各子 q - 箭头独立信息之和，用符号γ表示。这一指标直接反映子机制间是否存在实质性因果交互，是判断信息关系协同效应的核心依据。γ是子机制组合后的整体信息分布与拆分后各子机制独立信息分布的乘积之间的相对熵，[math]\displaystyle \gamma\left(X_0\left[m,x_1\right] \to X_0\left[m \cup r,x_1\right]\right) = H\left[ X_0\left(m \cup r,x_1\right) \Bigg\| \prod_{M^k \in \text{MIP}_r} M^0\left(m \cup r^k,x_1\right) \right][/math]

当 γ>0 时，子机制间的信息关系不可分解，存在明显纠缠效应。此时子 q - 箭头联合生成的信息具有 “1+1>2” 的协同特性，整体信息大于各部分独立信息之和，这种协同效应的根源是子机制间的实质性因果依赖 —— 子机制彼此交互形成新的信息约束，无法通过单独分析各子机制的独立信息推导整体关系。

当 γ=0 时，子机制间的信息关系可完全分解，不存在纠缠效应。此时子 q - 箭头的信息能够独立叠加，无额外协同作用，整体信息恰好等于各部分独立信息之和，本质是子机制间无实质性因果依赖，联合后的信息关系未产生新约束，可通过各子机制独立信息库的乘积完全还原。

==== 概念（concepts） ====
概念是不可分割的信息关系—— 即 γ>0 的 q-arrow。它是系统通过子机制实现的有上下文依赖的判别能力，无法拆分为更简单的独立信息单元。

如下图，AB 所示的系统，元素 1、2 通过连接[math]\displaystyle c^{13} c^{23} [/math]指向元素 3，构成沉默 AND 门，其逻辑规则要求双输入需同时沉默才能使输出元素 3 沉默，子机制间的因果依赖让联合实际库（子机制协同作用下的状态分布）与独立子库乘积（单独子机制状态分布的乘积）无法重合，最终对应 γ>0 的纠缠状态；CD 所示的子机制组合，联合后未形成新的状态约束，各子机制的信息作用相互独立，无需协同即可解释整体信息，其联合实际库与独立子库乘积完全重合，对应 γ=0 bits 的无纠缠状态。
[[文件:纠缠.png|无|缩略图|400x400像素|沉默AND门产生纠缠，NOISY COPY 系统信息独立]]

==== 模式（mode) ====
模式是由大量高纠缠度（γ>0）的概念（不可分割信息关系）层级化聚合形成的感质空间（Q）子形状，对应意识体验的功能性分类（如视觉、听觉、触觉等）；其核心特征是局部最大密集纠缠—— 作为感质空间中比周围 q - 箭头更密集纠缠的子集合，既不被包含在更密集纠缠的更大集合中，又类比于生成整合信息$\Phi>0$的复合体（complex）。不同模式对应视觉、听觉等不同功能模式，既相对独立又共同构成整体意识体验，如看电影时的视觉与听觉模式。

在图4.4中具象化了模式概念，通过一个包含 “AND 门” 与 “COPY 门” 的混合系统，直观呈现模式是最大密集纠缠的 q-arrow 集群这一核心定义，同时揭示模式与系统连接性、纠缠分布的关联。图4.4AB中用粉色区域标记 {c¹³,c²³} 对应的 q-arrow 集群，该区域的纠缠密度显著高于周围（尤其是 c³² 对应的灰色区域），形成一个独立的子形状—— 这一子形状即模式，因为它是局部最大密集纠缠的集合，且不被任何更大的、纠缠密度更高的 q-arrow 集群包含。而图4.4AC中C32用灰色区域表示，q - 箭头无密集纠缠，无法形成独立的子形状，未产生纠缠。
[[文件:局部截取 20251109 152740.png|无|缩略图|600x600像素|模式]]

==IIT3.0==

===因果信息（cei）===
因果信息（cause-effect information，因果效应信息）是用于衡量单个机制（如一个神经元或逻辑门）在其当前状态下对系统的过去和未来状态所施加的选择性约束的量。具体来说，cei 表示该机制从系统内在视角（intrinsic perspective）所指定的“有意义的差异”（differences that make a difference）。
公式：
<math>cei = min(ci,ei)</math>

====原因信息ci====
机制在当前状态<math>s_0</math>下，对系统过去状态的概率分布（即原因 repertoire）与无约束过去分布（uniform distribution）之间的差异。

====结果信息ei====
机制在当前状态<math>s_0</math>下，对系统未来状态的概率分布（即效果 repertoire）与无约束未来分布（由系统输入无约束扰动得出）之间的差异。

=== 系统整合信息（φ，“小 phi”）===

<math>\phi</math>衡量的是单个机制（如一个神经元、一个逻辑门，或一组元素构成的子机制）在其当前状态下，所指定的因果信息（cei）在多大程度上是不可被其组成部分还原的。

其核心思想为：一个机制（例如 AB）可能显示出很高的因果信息（cei），但如果这个信息完全可以由它的两个部分（A 和 B）独立提供，那么这个整体机制 AB 就从系统的内在视角来看是“多余”的，它并不作为一个独立的因果实体而存在。<math>\phi</math> 衡量的是这个机制“作为整体”（above and beyond its parts）的因果贡献。

计算方法：
*确定机制：选择一个机制（如 AB 在状态 11）。
*寻找最小信息分区（MIP）：在所有可能的分区（Partition）中，找到那个对机制指定的因果 repertoire 破坏最小的分区。分区的方式是“注入噪声”来切断部分之间的因果连接。
*计算差异：计算未分区时整个机制指定的因果 repertoire 与 MIP 分区后的因果 repertoire 之间的 Earth Mover's Distance (EMD)。
*取最小值：与 cei 类似，<math>\phi</math>是原因方向的<math>\phi</math>（<math>\phi_{\text{cause}}</math>）和效果方向的<math>\phi</math>（<math>\phi_{\text{effect}}</math>）中的最小值。

<math>
\phi = \min(\phi_{\text{cause}}, \phi_{\text{effect}})
</math>

如果<math>\phi > 0</math>，则该机制是一个概念（Concept）。它从一个不可还原的因果视角指定了系统处于何种状态（它的最大不可还原因果 repertoire，MICE），并对意识体验的质量（内容）有贡献。<math>\phi</math>值的大小代表这个概念在体验中“呈现的程度”。如果<math>\phi = 0</math>，则该机制不是一个独立存在的概念，它的因果作用可以完全由其分解后的部分来解释。

简单比喻：
一个单词（如“SONO”）的含义，不能还原为“SO”和“NO”两个部分含义的简单叠加。它的“$\phi$”很高。而“AB”机制如果只是两个独立信号的简单并列，它的“<math>\phi</math>”就为0。

=== 结构整合信息（Φ，“大 phi”）===
<math>\Phi</math>衡量的是整个系统（一组机制）所生成的概念结构（Conceptual Structure）在多大程度上是一个不可还原的整体。

其核心思想为：一个系统可能包含很多概念（<math>\phi > 0</math>的机制），但如果这些概念是彼此独立的（例如，系统可以轻易地被分成两个独立运作的模块而概念结构不发生改变），那么这个系统就无法形成一个统一的意识体验。<math>\Phi</math>衡量的是系统作为一个整体的 “不可分割性”，它直接对应于意识水平的高低。

计算方法：
* 确定候选系统：选择一个待评估的系统（如一组神经元或逻辑门）。
* 寻找最小信息分区（MIP）：在所有可能的单向分区（Unidirectional Partition）中，找到那个对系统整体概念结构破坏最小的分区。这是系统层面的 MIP。
* 计算差异：计算未分区时系统的概念结构（C）与 MIP 分区后的概念结构（<math>C_{\text{MIP}}</math>）之间的扩展版 Earth Mover's Distance (EMD)。这个距离计算的是将 “概念星座” 从完整形态 “移动” 到被分区破坏后的形态所需的 “成本”，成本权重是每个概念的<math>\phi</math>值。
* 排除公理：在所有重叠的子系统（Supersets and Subsets）中，只有那个能最大化<math>\Phi</math>的集合才能被称为复合体（Complex）。这个最大的<math>\Phi</math>值记为<math>\Phi^{\text{Max}}</math>。

<math>
\Phi = D(C \mid\mid C_{\text{MIP}})
</math>

如果<math>\Phi^{\text{Max}} > 0</math>，则该集合是一个复合体（Complex），它是意识的主体。它从自身的内在视角出发而 “存在”。<math>\Phi^{\text{Max}}</math>的数值代表意识的数量（Level of Consciousness）。该复合体生成的最大不可还原概念结构（MICS）完全描述了意识的质量（Content of Consciousness），即 “体验是什么样子”。

简单比喻：
一幅画（概念结构）的整体美感和意义（<math>\Phi</math>），不能还原为画布左上角（分区 1）和右下角（分区 2）的简单拼凑。如果你用一道裂缝（分区）把画分开，整体意义就丢失了，这幅画的 “<math>\Phi</math>” 就很高。而一幅拼贴画可能很容易分割而不损失太多意义，它的 “<math>\Phi</math>” 就较低。

=== 最大不可约概念结构（MICS）===
前面我们介绍了<math>\phi</math>与小<math>\Phi</math>的概念，它们的关系则是：一个系统（复合体）的 Φ 值取决于其所有概念（φ > 0 的机制）如何整合成一个不可分割的整体概念结构（MICS）。<math>\Phi</math> 不是各个 <math>\phi</math>的简单加总，而是它们通过相互作用所涌现出的全局属性。

最终，IIT3.0认为：一个系统的<math>\Phi^{\text{Max}}</math>值定义了其意识水平，而由该系统的概念（<math>\phi</math> > 0）所构成的最大不可还原概念结构（MICS）则定义了意识的具体内容。

==IIT4.0==

=== 内在信息（ii）===

=== 最大整合信息φ* ===

= 整合信息论的应用 =

==从意识科学到机器意识==

==神经科学与意识的数学语言==

=其他意识相关理论=
==全局神经网络工作空间（GNWT）==
意识如何从大脑活动中产生是当代神经科学的核心难题。除了'''整合信息理论（Integrated Information Theory, IIT）'''之外， '''全局神经网络工作空间理论（Global Neuronal Workspace Theory, GNWT）'''提供了一种截然不同但也极具影响力的框架，并各自拥有不断增长的实验证据支持。

=== '''GNWT模型''' ===
GNWT最早由Baars于1988年提出，是一种用于解释认知过程的心理物理学范式。GNWT提出，意识对应于信息被广播到遍布大脑的“全局工作空间”的过程。当感觉信息得到足够深入的加工，从而被前额叶、前扣带回等顶额叶网络中的神经元群体“点燃”（ignition）时，它才会进入意识。这种全局的可用性使得信息能够被报告、用于决策和长期记忆。 [[文件:GNWT hypothesis.png|缩略图|462x462像素|全局神经网络工作空间理论模式图]]

GNWT计算模型的主要构成（以“词语-颜色” Stroop 任务模拟为例）：

* 输入系统： 4个“词语”输入单元 + 4个“颜色”输入单元。

* 模块化处理器：直接连接输入和输出（命名）单元的通道。词语->命名的连接权重被预设得比颜色->命名的更强，模拟了人们更习惯读词的现象。

* 全局工作空间神经元：随机、片状地连接到各个处理器。这是模型的关键：初始连接是随机的，没有预置任何规则。

* 评估与奖励系统：提供成功（R=+1）或失败（R=-1）的信号。

=== GNWT相关实验证据 ===
GNWT是基于人类大脑活动提出的假说和模型，经过演变和发展，也有在小鼠上得到验证的实验证据。

1. '''意识进入的“全或无” ignition现象。'''GNWT的一个关键预测是意识访问的阈值性。大量脑电图（EEG）和功能性磁共振成像（fMRI）研究显示，被有意识感知的刺激会引发一个晚期（~300ms）、持续且分布广泛的前额顶叶网络活动；而未被意识感知的刺激（阈下刺激）仅能诱发短暂的早期局部活动 (Dehaene & Changeux, 2011)。这种“全或无”的全局激活模式被认为是意识“点燃”的神经标志。

2. '''前额叶顶叶网络在意识中的必要性。'''神经心理学和神经调控证据支持前额顶叶网络对于意识访问至关重要。前额叶损伤患者可能表现出意识障碍（如执行功能缺陷）；更重要的是，直接对顶内沟（顶叶的关键节点）进行经颅磁刺激可以暂时中断视觉刺激的有意识感知，使其无法被报告 (Boly et al., 2017)。这表明该网络不仅是相关的，更是意识访问的必要条件。通过多模态成像（包括超声功能成像和钙成像）和光遗传操控技术，在小鼠的非快速眼动睡眠（Non-rapid eye movement sleep, NREM sleep）中，从视觉皮层到前额叶皮层的的信息传播被显著抑制（Li B. et al., Cell, 2023）。NREM睡眠期间前额叶活动的抑制与意识减弱同步，符合GNWT中前额叶作为“工作空间”的定位。全或无的“点燃”现象：清醒时V1-PFC的信息传播呈现阈值性激活（类似GNWT的“ignition”），而NREM睡眠中这种传播被阻断，与GNWT对意识访问的机制描述一致。

=== '''整合信息理论（IIT）与全局神经工作空间理论（GNWT）的比较''' ===
IIT的核心观点是：意识等同于一个系统因其因果结构而具有的“整合信息”量，用 '''Φ'''表示。一个系统必须是高度不可分的（integrated）且具有特定的因果结构（cause-effect structure），才能产生意识。该理论预测，意识体验依赖于后皮层（如后顶叶、颞叶和枕叶区域）一个“最大”的复杂网络，而大脑前额叶等区域在意识中的作用相对次要。

1. '''意识状态下的高复杂度神经信号。'''IIT预测，处于有意识状态时，大脑应表现出高度不可分和特异性的活动模式。使用'''微扰复杂度指数（Perturbational Complexity Index, PCI）'''等测量方法，研究发现该指标能可靠地区分无意识（如睡眠、麻醉、植物状态）和有意识的大脑状态 (Casali et al., 2013)。PCI值高表明大脑对微扰（如经颅磁刺激，TMS）产生了复杂且遍布全局的反应，这与高信息整合能力一致；而PCI值低则表明反应简单或局部化。该指标已被临床用于评估意识障碍患者。

2. '''后皮层的“意识核心”作用。'''神经成像研究支持IIT关于意识内容依赖于后皮层网络的预测。例如，在双眼竞争和闪现抑制范式中，尽管被试的报告行为是由前额叶活动驱动的，但报告的意识知觉内容本身（如看到的是脸还是房子）其神经表征更稳定地出现在颞叶和枕叶的视觉加工区域 (Frässle et al., 2014)。这与IIT认为前额叶主要负责报告和访问，而非产生意识体验本身的观点相符。

IIT和GNWT得到了不同实验范式的支持。IIT的证据侧重于'''意识状态'''的测量（如PCI）和'''意识内容'''在感觉皮层的表征，强调后皮层网络是产生意识的物理基质。而GNWT的证据则侧重于'''意识访问'''的机制，强调前额顶叶网络在信息全局广播中的必要性。未来的研究需要设计能够直接区分两者核心预测的实验（如比较前额叶与后皮层在意识中的因果作用），以期最终调和或裁决这两种理论，从而更深入地揭示意识的神经本质。

== 循环处理理论（RPT） ==
RPT理论由神经科学家维克多·拉米（Victor Lamme）提出，其主要观点是：意识体验的产生依赖于大脑神经网络中循环往复的信息处理，而不仅仅是单向的前馈传递。

该理论强调，当感觉信息（如视觉信号）从低级处理区域（如初级视觉皮层）传递到高级联合皮层后，高级区域必须将处理结果反馈回低级区域，形成循环回路。这种“再入”或“反馈”处理使得信息在不同脑区之间被持续整合和精细化，从而形成统一、有组织的感知体验。

拉米进一步将这一过程细分为四个阶段，揭示了从无意识到完全意识的过程：

* 浅层处理：刺激未被注意且被掩蔽时，仅发生局部的前馈处理。

* 广泛处理：刺激被注意但仍被掩蔽时，神经活动扩散更广，但仍以前馈为主。

* 含循环的浅层处理：刺激未被注意但未被掩蔽时，开始出现循环处理。

* 含循环的广泛处理：刺激被注意且未被掩蔽时，各脑区间进行广泛的循环处理，此时个体达到完全的意识状态，能够清晰感知和报告刺激。

== 高阶思想理论（HOT） ==
高阶思想理论与RPT的神经科学视角以及IIT和GNWT的计算理论视角不同，更侧重哲学和认知层面。其核心主张是：一个心理状态（例如“看到红色”）要成为有意识的，只有当主体拥有一个关于该心理状态的高阶思想时才会发生。

maybe add the final part '总结与讨论'.

=参考文献=
<references/>

集智百科参与方式

2025-11-08T13:42:25Z

相信未来：/* 初级期 */

<div id="mp-topbanner" style="clear:both; position:relative; box-sizing:border-box; width:100%; border:0px solid #ddd; background-color:#F4F6F9; color:black ">

<div style="margin:0em; width:100%; text-align:center;">
<div style="font-size:162%; padding:.1em;text-align:center"><big>'''欢迎来到集智百科！'''</big></div><div style="font-size:100%;text-align:center">''集智百科是复杂性科学领域科学、全面、客观的百科全书''</div></div>
</div>

== 集智百科的意义 ==
做集智百科具有多方面的深远意义，它不仅是一个知识的汇集地，更是一个促进学术交流、推动学科发展、凝聚集体智慧的平台。

=== 一、系统化知识沉淀与共享 ===
集智百科的核心目标是“做复杂性科学领域科学、全面、客观的百科全书”。这意味着它致力于将复杂性科学这一跨学科领域（涵盖复杂系统、人工智能、统计物理、因果科学、计算社会科学等）的知识进行系统化、结构化的整理和沉淀。

<nowiki>*</nowiki> 提供权威知识库：通过众包生产模式，吸引海内外知名高校的学生、教授以及各行各业的科学词条爱好者共同参与，确保词条的科学性、专业性和准确性【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这为学习者和研究者提供了一个可靠的资源库，方便他们快速获取和查阅相关知识。

<nowiki>*</nowiki> 弥补知识空白：复杂性科学涉及众多前沿且晦涩的概念，集智百科通过将这些概念用易懂的语言进行阐释，帮助入门者跨越专业门槛，填补了中文世界在这一领域高质量基础资料的空白。例如，已完成的词条包括无标度网络、复杂网络的双曲几何模型、蚁群优化算法、贝叶斯网络、递归、鲍德温效应、复杂性经济学等【<nowiki>https://swarma.org/?p=23565</nowiki>>百科词条6条速览：蚁群优化算法、贝叶斯网络、自指…… - 集智俱乐部 - swarma.org】【<nowiki>https://swarma.org/?p=23045</nowiki>>百科词条3条速览：递归、鲍德温效应、复杂性经济学…… - 集智俱乐部 - swarma.org】。

=== 二、促进学习、交流与学科发展 ===
<nowiki>*</nowiki> 提升学习效率：通过提供最科学、专业、准确的知识，集智百科帮助用户快速了解某一知识概念，从而提高学习效率。志愿者在参与翻译和审校过程中，也显著提升了自身的英语阅读和翻译能力，并对相关领域有了初步了解，甚至跨越了专业门槛【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 激发跨学科交流：复杂性科学的跨学科特性决定了其需要不同专业背景的人共同参与。集智百科作为一个共同的知识基础，能够促进不同学科背景的学者和爱好者之间的交流与合作，从而“涌现集体智慧”【<nowiki>https://pattern.swarma.org/about_us</nowiki>>关于我们 - 集智斑图】。

<nowiki>*</nowiki> 推动学科前沿探索：通过系统梳理和呈现复杂性科学领域的知识和前沿进展，集智百科有助于更多人了解并投身于该领域的研究，间接推动学科的持续发展和创新。

=== 三、凝聚集体智慧与构建独特学术生态 ===
“集智”一词本身就包含了“集体智慧”（Collective Intelligence）的含义，它是一种“从许多个体的合作与竞争中涌现出来的”共享智能。

<nowiki>*</nowiki> 众包生产模式：集智百科的生产模式是典型的“众包生产”，依靠社区的力量，吸引对知识本身、知识分享、知识整理感兴趣的朋友一同完成这项“万古长青的事业”【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。这种模式使得知识的生产不再局限于少数专家，而是通过广泛的协作，汇聚了来自清华大学、北京大学、北京师范大学等国内外知名高校的成员的智慧【<nowiki>https://swarma.org/?p=22274</nowiki>>集智百科团队这一周都干了啥？ | 11.23-11.30 | 集智俱乐部 - swarma.org】。

<nowiki>*</nowiki> 打造“自由学术探索”的小生境：集智俱乐部（集智百科是其一部分）被描述为一个“与世无争的‘自由学术探索’的小生境”，旨在承载科技创新梦想，为中国未来的原创生态注入希望【<nowiki>https://swarma.org/?p=43492</nowiki>>中国有“集智俱乐部” - swarma.org】。它为那些追求纯粹学术探索、不被外部功利因素干扰的科研工作者提供了一个精神家园和知识工具。

<nowiki>*</nowiki> 培养严谨的学术态度：在集智百科的生产流程中，从词源、翻译、审校、编辑到专家审校，每一步都强调内容的完整性、语句的通顺性、专业名词的准确性，并追求“信、达、雅”的翻译标准。这种严谨的流程不仅保证了百科的质量，也培养了参与者的学术素养和责任感。

=== 四、赋能人工智能大模型发展 ===
在当前人工智能大模型蓬勃发展的时代，高质量的训练语料库是其能力提升的关键要素。集智百科在这一方面也展现出其独特的价值和潜力。

<nowiki>*</nowiki> 弥补高质量中文语料短缺：当前，全球大模型发展普遍面临数据匮乏的问题，尤其是高质量中文语料资源短缺，这在一定程度上限制了我国人工智能技术的发展和创新应用【[https://m.bjnews.com.cn/detail/1710142219169246.html 破解大模型中文语料不足问题，并非毫无办法｜新京报专栏]】【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。例如，ChatGPT的训练数据中，中文语料比重不足千分之一，而英文语料占比超过92.6%【[https://news.sciencenet.cn/htmlnews/2024/3/518781.shtm 周源委员：高质量中文语料数据短缺掣肘AI发展 - 新闻- 科学网]】。集智百科作为严谨、专业的知识平台，其内容经过严格的科学性、专业性和准确性审查，能够为大模型提供稀缺且可靠的中文语料。

<nowiki>*</nowiki> 提供高价值专业知识：大模型最大的语料库目前主要来自于用户生成内容（UGC），但“更为严谨的并获得反复验证的百科全书式知识信息，才是大模型最为可靠的语料库”。集智百科专注于复杂性科学这一前沿且专业的领域，其系统化、结构化的知识内容，如无标度网络、大语言模型的涌现等词条【[[大语言模型的涌现]]｜集智百科】，具有极高的专业性和权威性。这些高质量语料能够帮助大模型更好地理解和生成复杂性科学相关的专业内容，提升其在特定领域的知识广度和深度。

<nowiki>*</nowiki> 提升模型性能与鲁棒性：相关研究指出，“未来一个模型的好坏，20%由算法决定，80%由数据质量决定。接下来高质量的数据将是提升模型性能的关键”【[https://www.rmlt.com.cn/2024/0723/708072.shtml 加快建设人工智能大模型中文训练数据语料库 - 人民论坛]】。集智百科所提供的语料具备多样性、真实性、连贯性、无偏见等高质量语料的七大特征【[http://www.news.cn/tech/20240115/b9162aed4c3542f880d33556d20c2361/c.html 大模型发展亟需高质量“教材”相伴 - 新华网]】，能够有效提升大模型的准确性和稳定性，降低模型对特定数据集的依赖，从而增强其鲁棒性和泛化能力。

<nowiki>*</nowiki> 推动中文大模型发展：通过为中文大模型提供高质量、专业化的训练数据，集智百科不仅有助于解决当前中文语料的“数据荒”问题【[https://news.qq.com/rain/a/20240103A05GZ800 谷歌大模型]一出闹剧揭开中文数据荒 - QQ News】，更能推动中文大模型在科学研究、专业领域应用等方面的进步，使其在国际AI竞争中更具优势。

综上所述，集智百科的意义在于构建一个高质量、开放的复杂性科学知识平台，通过众包模式凝聚集体智慧，服务于知识的系统化沉淀、学习交流、学科发展，并为追求自由学术探索的学者和爱好者提供一个独特的学术环境，最终推动中国在复杂性科学领域的原创性贡献，并为人工智能大模型提供宝贵的高质量中文语料支持。

===如何表示科学？===
#内容客观，所有来源注明出处。
#充分佐证并且注明资料来源，这些资料不会只是某个作者自己冷僻的见解，而会是在该领域中被视为标准并且最常引用的。
#反映专业认知，并以事实为根据，同时遵守良好的学术和逻辑标准。
===如何表示全面？===
#参考多个相关网站，综合多方面的信息。推荐的网站有wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
===如何表示客观？===
#翻译过程中应多用陈述性的语句，表述事实，而不是情绪性的、修饰性的语句。
#完全中立、没有偏颇。

理想情况是针对一个词条，先汇集资料信息，并针对必要的问题，对资料信息进行翻译、整理，回答问题。
*汇集信息的主要来源：wikipedia、scholarpedia、中文集智百科、百度百科、官网、主页信息。
*翻译的主要工具是：人工翻译整理为主，机器翻译为辅。
*必要问题：针对不同词条的类别，都有一些基本、必须涵盖的信息去回答。每个词条都应该涵盖这些基本信息。也可以在此基础上进行扩展。
==集智俱乐部发展时间轴==
*2013年，集智俱乐部张江发现没有一个可以让大家协作生产内容的平台（石墨还未出现），于是让集智俱乐部核心成员袁行远搭建了第一版的集智百科。
*2013-2015年期间，以袁行远、吴令飞、张江等核心集智俱乐部成员为首，在集智百科上贡献了许多知识性的词条内容，包括[[摄像机-电视自指系统]]、[[混沌的边缘]]、[[复杂网络的双曲几何模型]]等等。
*2018年6月-2018年10月期间，集智俱乐部志愿者王婷曾经组织一批志愿者，希望可以对复杂性科学领域的知识进行梳理，但是没有成功。期间有很多志愿者如靠倒立解气、高飞、Sherimon、Xhtinhunter、Iceblaze9527等参与内容生产工作，产生了一些优秀的知识性词条：[[幂律分布]]、[[小世界网络]]、[[无标度网络]]等。

*2019年11月-2020年3月，集智俱乐部再次组织志愿者生产复杂性科学领域的知识内容，希望可以打造复杂性科学领域最全面、科学、客观的百科全书。

*2020年3月，由于旧版的[http://wiki.swarma.net/index.php/%E9%A6%96%E9%A1%B5 集智百科]编辑器和备案的问题，集智学园工程师林嘉琦重新搭建了现在最新的集智百科平台。
*2020年5月，为了提高生产效率，集智志愿者侯月源实现了彩云小译的初步翻译过程。具体操作即给出词条list，通过爬虫，爬取对应的英文wiki页面，通过对页面进行格式调整后，给彩云小译得到初步翻译的结果。大大提高翻译的效率。
*2024年，张江立志继续把生产词条做为重要的任务，并由[[张倩]]设计规则，由[[王志鹏]]担任管理，开始通过[[集智社区游戏化晋级模式|游戏化机制]]从集智读书会社群中筛选了一批优秀的百科志愿者，完成了一系列精品词条：[[因果涌现]]、[[有效信息]]
== 集智百科项目分工 ==
集智百科的生产依然采用集智俱乐部传统且高效的模式：'''众包生产'''。希望依靠社区的力量，吸引一批对知识本身，知识分享，知识整理感兴趣的朋友，一同完成这项万古长青的事业。

目前集智百科项目分只有一种参与方式：通过[[集智社区游戏化晋级模式|社区游戏化]]晋级，先通过字幕志愿者任务晋升到百科志愿者。
[[文件:科研晋升图.png|缩略图]]

'''其他激励'''

:* 积分。积分可以用于在集智平台上购买或者消费，其中包括：集智学园、集智斑图、以及[[集智俱乐部周边]]等。(详细积分奖励及兑换制度见下表)
:* 为深度参与的同学颁发志愿者勋章、荣誉证书和相关实习证明。
:* 晋升科研志愿者参与与张江科研组。
== 一个词条的诞生 ==
一个词条的完善会经历主要四个环节：

# 建立词条（由老师或同学提出生产该条目的需求）
# 机器搬运（由集智百科嵌入的机器翻译助手彩云小译进行百科词条的生成以及搬运，搬运来源目前只支持英文[[wikipedia:Main_Page|Wikipedia]]）
# 翻译校对（由志愿者校对翻译内容的中文通顺性，需要对已经初步翻译过的稿件进行再修改、润色）
# 专家审核（由老师专家审核词条的专业性，保证内容科学全面客观）

* 我们希望词条的初步生产经历过以上四个环节可以形成一个由老师、志愿者提出，到质量审核保证的生产闭环。
* 所有的条目均由每个人自发提出的，其编辑过程有业界专家审核纠正。
* 词条的完善不是一蹴而就的，而是由所有百科社区成员不断维护完成的。
* 我们鼓励参与者积极对条目的内容进行深度的探讨及辩论，为其内容增添更多的可能性。

[[文件:一个词条的诞生.png|居中|无框|800x800像素]]

== 参与百科 ==
完成集智读书会的字幕修正与审校，即可进入百科词条团队
* 若您想要了解更详细的步骤，建议阅读[[如何上手集智百科]]词条，这是一个为新手打造的编写指引。更加规范性案例请查阅[[编辑案例]]。
==生产进展==

词条生产过程包括5个阶段：预备期、初级期、中级期、审核期以及完成期
* 预备期：志愿者认领词条，志愿者、词条负责人以及张江老师会一起制定词条大纲
* 初级期：志愿者需要根据制定的大纲结合具体的文献，初步翻译整合资料填写到词条对应的位置
* 中级期：进一步梳理初级期完成的词条，做到内容完整、格式、语法正确
* 审核期：词条负责人会进行初步的审核，排除格式、语法以及逻辑等问题，初步校验后张江老师会再次进行系统性的校验，保证词条的质量
* 完成期：需要在集智俱乐部公众号上发布

=== 预备期 ===

=== 初级期 ===
# [[Koopman理论]] 完成人：[[黄芸]]、[[潘琳莉]]、[[杨明哲]]
# [[一维动力学]] 完成人：[[何瑞杰]]、[[夏沛雯]]、[[王志鹏]]
# [[逻辑斯谛方程]] 完成人：[[陈力]]、[[王志鹏]]
# [[神经网络中的顿悟]] 完成人：[[陶柯霏]]
# [[部分信息分解]] 完成人：[[王亦理]]、[[王盛嘉]]、[[吕奥博]]
# [[马尔科夫链的粗粒化]] 完成人：[[梁京昊]]、[[徐映妮]]
# [[规模法则]] 完成人：[[陶舟横]]、[[冉天枢]]、[[陶如意]]、[[刘凯威]]
# [[整合信息论]] 完成人：[[郑鸿盛]]、[[郑源]]、[[董宇凡]]、[[赵思语]]、[[杨明哲]]

=== 中级期 ===
# [[神经网络的有效信息计算]] 完成人：[[徐然]]
# [[复杂网络重整化]] 完成人：[[郑鸿盛]]

=== 审核期 ===

=== 完成期 ===
{{div col|colwidth=25em}}
# [[因果涌现]] 完成人：[[王志鹏]]
# [[基于有效信息的因果涌现理论]] 完成人：[[彭晨]]
# [[基于信息分解的因果涌现理论]] 完成人：[[吕奥博]]
# [[基于可逆性的因果涌现理论]] 完成人：[[龚铭康]]、[[刘凯威]]
# [[Causal Emergence]] 完成人：[[冉天枢]]
# [[有效信息]] 完成人：[[张江]]
# [[Effective Information]] 完成人：[[李梓嫣]]
# [[马尔科夫链]] 完成人：[[杨卓然]]、[[张代健]]
# [[马尔科夫链的成块性]] 完成人：[[梁京昊]]
# [[因果效应度量]] 完成人：[[刘易明]]
# [[复杂网络中的因果涌现]] 完成人：[[王志鹏]]
# [[奇异值分解（SVD）]] 完成人：[[刘宇康]]
# [[NIS]] 完成人：[[刘佳睿]]
# [[NIS+]] 完成人：[[潘琳莉]]
# [[计算力学]] 完成人：[[刘易明]]
# [[基于格兰杰因果量化涌现]] 完成人：[[许世鹏]]
# [[大语言模型的涌现]] 完成人：[[范卓仪]]、[[梁金]]、[[徐然]]、[[杨明哲]]
# [[Word2Vec]] 完成人：[[苏一铭]]、[[杨锦浩]]
# [[Deep Q Network]] 完成人：[[邹佳玮]]、[[罗福海]]
# [[Dreamer]] 完成人：[[潘琳莉]]、[[程嘉]]
# [[RWKV模型]] 完成人：[[王熙霖]]、[[宋鹏举]]
# [[DeepSeek-R1]] 完成人：[[朱瑞琪]]、[[宁定扬]]、[[冉天枢]]、[[范卓仪]]、[[潘琳莉]]、[[袁冰]]、[[王志鹏]]
{{div col end}}

=== 淘汰机制 ===

淘汰：出现下面五种中的任意一种情况视为一次警告，出现两次警告则劝退

五种情况：
# 不参加每周组会讨论（请假除外）
# 一周没有进展（特殊情况除外）
# 反馈的意见不改（如果有自己的理解可以一起交流）
# 初级任务两周未完成（特别复杂的词条除外）
# 中级任务一个月未完成（特别复杂的词条除外、修改反馈除外）

注：特别复杂的词条指的是不局限于1-2篇参考文献，需要参考超过3篇文章或一本书等，是一个综述性的知识点，如[[因果涌现]]、[[规模法则]]词条等。

=== 词条百科组成员 ===
{| class="wikitable"
|+
!序号
!姓名
!简介
!参与词条
!加入时间
!完成时间/晋级时间
!晋级情况
|-
|1
|夏沛雯
|伦敦大学学院（UCL）数学系本科三年级学生，研究兴趣：随机过程和随机微积分方
|[[一维动力学]]
|2025.11.04
|
|进行中
|-
|2
|何瑞杰
|中山大学和大湾区大学联培博士生研究兴趣：随机微分方程和随机动力系统应用
|[[一维动力学]]
|2025.10.26
|
|进行中
|-
|3
|陈力
|昆明植物研究所生态学专业博士生研究兴趣：种间互作网络
|[[逻辑斯谛方程]]
|2025.10.19
|
|进行中
|-
|4
|王亦理
|北京化工大学数学与应用数学专业本科生，研究兴趣：统计物理与复杂系统
|[[部分信息分解]]
|2025.10.06
|
|进行中
|-
|5
|王盛嘉
|西北农林科技大学环境科学专业本科生，研究兴趣：与生物物理学相关的内容
|[[部分信息分解]]
|2025.10.01
|
|进行中
|-
|6
|赵思语
|东华大学统计专业的大三学生，研究兴趣：因果涌现
|[[整合信息论]]
|2025.09.08
|
|进行中
|-
|7
|陶柯霏
|国防科技大学博士生，研究兴趣：AI for 复杂系统
|[[神经网络中的顿悟]]
|2025.09.06
|
|进行中
|-
|8
|陶舟横
|UC Irvine 本科软件工程，研究兴趣：机器学习
|[[规模法则]]
|2025.05.06
|
|进行中
|-
|9
|郑源
|华东师范大学研究生，研究方向：决策认知神经科学
|[[整合信息论]]
|2025.08.10
|
|进行中
|-
|10
|徐映妮
|深圳大学数学院，研究方向：复杂网络的控制理论
|[[马尔科夫链的粗粒化]]
|2025.08.11
|
|进行中
|-
|11
|冉天枢
|清华社会学与哥大国际教育出身，现从事面向企业的AI素养课程开发
|[[Causal Emergence]]、[[DeepSeek-R1]]、[[规模法则]]
|2024.05.08
|
|持续做词条
|-
|12
|王志鹏
|北京师范大学在读博士，研究方向：脑神经系统中的因果涌现
|[[因果涌现]]、[[复杂网络中的因果涌现]]、[[神经网络的有效信息计算]]
|2024.01.05
|
|组内学生
|-
|13
|刘凯威
|北京师范大学在读博士，研究方向：贝叶斯统计、生存分析、复杂网络、因果涌现
|[[因果涌现]]、[[基于可逆性的因果涌现理论]]
|2024.04.03
|
|组内学生
|-
|14
|杨明哲
|北师大系统科学学院研究生，研究方向：因果涌现、复杂系统多尺度建模
|[[有效信息]]、[[NIS+]]、[[计算力学]]、[[大语言模型的涌现]]、[[整合信息论]]、[[部分信息分解]]
|2024.01.01
|
|组内学生
|-
|15
|潘琳莉
|北师大系统科学学院研究生，研究方向：因果涌现
|[[NIS+]]、[[Dreamer]]
|2024.11.08
|
|组内学生
|-
|16
|郑鸿盛
|北师大系统科学学院研究生，研究方向：因果涌现
|[[整合信息论]]
|2025.07.01
|
|组内学生
|-
|17
|陶如意
|北京师范大学在读博士，研究兴趣：规模法则，复杂系统多尺度建模，复杂系统理论在企业生长的应用
|[[规模法则]]
|2025.08.01
|
|组内学生
|-
|18
|刘易明
|长春工程学院，研究兴趣：系统科学以及人工智能相关领域
|[[计算力学]]、[[因果效应度量]]
|2024.06.23
|2025.05.06
|转为集智员工
|-
|19
|梁京昊
|北京大学地球与空间科学学院博士生，研究兴趣：城市轨迹计算以及信息论等
|[[马尔科夫链的成块性]] 、[[马尔科夫链的粗粒化]]
|2024.08.01
|2024.01.10
|转为科研助理
|-
|20
|彭晨
|浙江大学心理系研二，研究方向：计算精神病学
|[[基于有效信息的因果涌现理论]]
|2024.10.10
|2025.05.09
|转为科研助理
|-
|21
|杨**
|***
|[[马尔科夫链]]
|2025.01.19
|2025.07.06
|转为科研助理
|-
|22
|徐然
|代尔夫特理工大学，研究方向：复杂网络可靠性
|[[大语言模型的涌现]]、[[神经网络的有效信息计算]]
|2025.04.16
|2025.06.25
|转为科研助理
|-
|- style="background-color:#DDDDDD;"
|23
|董宇凡
|中科院神经所2020级博士研究生，研究方向：快速眼动睡眠
|[[整合信息论]]
|2025.08.10
|
|词条中途退出
|-
|- style="background-color:#DDDDDD;"
|24
|朱瑞琪
|爱丁堡大学博士生，研究兴趣：复杂适应系统、演化计算
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|25
|宁定扬
|上海交通大学硕士研究生，研究方向：自动控制
|[[DeepSeek-R1]]
|2025.02.10
|2025.02.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|26
|范卓仪
|浙江大学决策心理学博士生，研究兴趣：认知建模和复杂科学
|[[DeepSeek-R1]]、[[大语言模型的涌现]]
|2025.02.10
|2025.06.13
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|27
|张代健
|北京大学本科生，研究领域：生物统计、多模态组学
|[[马尔科夫链]]
|2025.02.28
|2025.07.06
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|28
|刘宇康
|中南大学，研究兴趣：AI应用及其可解释性
|[[奇异值分解（SVD）]]
|2024.09.03
|2025.01.05
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|29
|李梓嫣
|重庆大学工商管理博士在读，研究方向：公司财务与会计治理
|[[Effective Information]]
|2024.10.08
|2024.12.24
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|30
|许世鹏
|大理大学生态学硕士研究生，研究兴趣：地球生态网络及社会-生态耦合网络
|[[基于格兰杰因果量化涌现]]
|2024.10.11
|2024.12.23
|完成词条后退出
|-
|- style="background-color:#DDDDDD;"
|31
|刘佳睿
|现就读于美国南加州大学物理系本科，研究兴趣：统计物理与机器学习
|[[NIS]]
|2024.04.10
|2024.09.19
|转为科研助理后退出
|-
|- style="background-color:#DDDDDD;"
|32
|龚铭康
|本科毕业于南方科技大学物理专业，研究兴趣：复杂自适应系统、自然启发计算
|[[基于可逆性的因果涌现理论]]
|2024.08.02
|2024.09.15
|转为科研助理后退出
|}

=== 百科平台底层维护人员招募 ===
工作职责：

•负责集智百科的业务运维工作（e.g. 权限管理，账户管理，故障排查）

•负责集智百科的用户体验持续提升解决方案的设计和落地（e.g. 词条编辑器体验优化，系统升级）

•负责集智百科的服务连续性解决方案设计和落地(e.g. 容灾、监控、备份与恢复）

•负责核心系统的代码编写、系统优化以及技术架构持续改进

•参与开发和运维规范制定，编写相关技术文档

你可以获得：

•投身于构建良好的学术交流氛围，改善国内科研环境，进而促进国家科技革新的伟大事业中

•享受集智俱乐部VIP待遇(参与一年期的维护工作)

•以练促学，践行行业最佳实践（IT行业>9年经验的前辈带）

期望：

•能投入一定的时间和精力参与系统维护或组内讨论（>每周1小时）

•能积极主动地深入学习系统研发与运维相关知识

•有一定的软件研发、运维实践经验（不论技术栈）

•Nice to have: 有以下技术实践经验：PHP, Docker, MediaWiki, 阿里云

*

[[Category:集智相关]]