第8行: |
第8行: |
| 基于可逆性的因果涌现理论的核心概念是近似动力学可逆性: | | 基于可逆性的因果涌现理论的核心概念是近似动力学可逆性: |
| | | |
− | <math>\begin{align} | + | <math>\begin{aligned} |
− | \Gamma_{\alpha}=\sum_{i=1}^{N}\sigma_{i}^{\alpha}\tag{3}\end{align} | + | \Gamma_{\alpha}=\sum_{i=1}^{N}\sigma_{i}^{\alpha}\tag{3}\end{aligned} |
| </math> | | </math> |
| | | |
第56行: |
第56行: |
| <math> | | <math> |
| | | |
− | \begin{align} | + | \begin{aligned} |
− | r=\sum_{i=1}^{N}\sigma_{i}^{0}\tag{1} | + | r=\sum_{i=1}^{N}\sigma_{i}^{0} |
− | \end{align} | + | \end{aligned} |
| </math> | | </math> |
| | | |
第67行: |
第67行: |
| 紧接着,矩阵的弗罗贝尼乌斯范数可以被写作: | | 紧接着,矩阵的弗罗贝尼乌斯范数可以被写作: |
| | | |
− | <math>\begin{align} | + | <math>\begin{aligned} |
− | {||P||}_{F}^{2}=\sum_{i=1}^{N}\sigma_{i}^{2}\tag{2} | + | {||P||}_{F}^{2}=\sum_{i=1}^{N}\sigma_{i}^{2} |
− | \end{align} | + | \end{aligned} |
| </math> | | </math> |
| | | |
第81行: |
第81行: |
| </math>阶近似动力学可逆性定义为: | | </math>阶近似动力学可逆性定义为: |
| | | |
− | <math>\begin{align} | + | <math>\begin{aligned} |
− | \Gamma_{\alpha}=\sum_{i=1}^{N}\sigma_{i}^{\alpha}\tag{3}\end{align} | + | \Gamma_{\alpha}=\sum_{i=1}^{N}\sigma_{i}^{\alpha}\end{aligned} |
| </math> | | </math> |
| | | |
第151行: |
第151行: |
| </math>受矩阵的大小影响,所以我们需要进行归一化,从而刻画与大小无关的近似动力学可逆性,这样可以更方便地在不同大小的马尔科夫链之间进行比较: | | </math>受矩阵的大小影响,所以我们需要进行归一化,从而刻画与大小无关的近似动力学可逆性,这样可以更方便地在不同大小的马尔科夫链之间进行比较: |
| | | |
− | <math>\begin{align} | + | <math>\begin{aligned} |
− | \gamma_{\alpha}=\frac{\Gamma_{\alpha}}{N}\end{align} | + | \gamma_{\alpha}=\frac{\Gamma_{\alpha}}{N}\end{aligned} |
| </math> | | </math> |
| | | |
第187行: |
第187行: |
| | | |
| <math> | | <math> |
− | \log{\Gamma_{\alpha}}-\log{N}\le{EI}\le\frac{2}{\alpha}\log{\Gamma_{\alpha}}</math> | + | \begin{aligned} |
− | | + | \log{\Gamma_{\alpha}}-\log{N}\le{EI}\le\frac{2}{\alpha}\log{\Gamma_{\alpha}} |
| + | \end{aligned} |
| + | </math> |
| 实际上,EI有一个更严格的上限,<math>EI\le\log{\Gamma_{\alpha}}</math>,这个上限是由数值实验的结果确定的。我们发现在许多例子中,EI和<math>\log\Gamma_{\alpha}</math>,因此,基于可逆性的因果涌现理论主张: | | 实际上,EI有一个更严格的上限,<math>EI\le\log{\Gamma_{\alpha}}</math>,这个上限是由数值实验的结果确定的。我们发现在许多例子中,EI和<math>\log\Gamma_{\alpha}</math>,因此,基于可逆性的因果涌现理论主张: |
| | | |
− | <math> | + | <math>\begin{aligned} |
| EI\sim\log\Gamma_{\alpha}. | | EI\sim\log\Gamma_{\alpha}. |
| + | \end{aligned} |
| </math> | | </math> |
| ==清晰因果涌现== | | ==清晰因果涌现== |
第199行: |
第202行: |
| </math>,如果<math>r≡rank(P)<N</math>,则该系统中会出现明显的因果涌现。且因果涌现的程度为: | | </math>,如果<math>r≡rank(P)<N</math>,则该系统中会出现明显的因果涌现。且因果涌现的程度为: |
| | | |
− | <math> | + | <math>\begin{aligned} |
| \Delta\Gamma_{\alpha}=\Gamma_{\alpha}\cdot(\frac{1}{r}-\frac{1}{N}) | | \Delta\Gamma_{\alpha}=\Gamma_{\alpha}\cdot(\frac{1}{r}-\frac{1}{N}) |
| + | \end{aligned} |
| </math> | | </math> |
| ==模糊因果涌现== | | ==模糊因果涌现== |
第217行: |
第221行: |
| </math>。而因果涌现的程度为: | | </math>。而因果涌现的程度为: |
| | | |
− | <math> | + | <math>\begin{aligned} |
| \Delta\Gamma_{\alpha}(\epsilon)=\frac{\sum_{i=1}^{r_{\epsilon}}\sigma_{i}^{\alpha}}{r_{\epsilon}}-\frac{\sum_{i=1}^{N}\sigma_{i}^{\alpha}}{N}, | | \Delta\Gamma_{\alpha}(\epsilon)=\frac{\sum_{i=1}^{r_{\epsilon}}\sigma_{i}^{\alpha}}{r_{\epsilon}}-\frac{\sum_{i=1}^{N}\sigma_{i}^{\alpha}}{N}, |
| + | \end{aligned} |
| </math> | | </math> |
| | | |