更改

智能体如何处理测量结果才能识别其中因果态呢？为了解决这个问题，计算力学建立了名为模式重构机器（ϵ-machine）的模型，它可以重构测量结果中的序列，去除随机噪音后识别其中的因果态。模式重构机器的大小可以用统计复杂度衡量，它的形式化定义可以用公式表示为<math>M=(\mathcal{S},T)</math>，其中<math>T</math>为状态到状态映射的集合，满足<math>S_{t+1}=TS_t</math>，<math>S</math>为集合<math>\mathcal{S} </math>中的任意一个因果态，它类似于一个粗粒化后的宏观动力学。<math>T_{ij}^{\left ( s \right )}</math>为两个因果态<math>S_i</math>和<math>S_j</math>之间的因果态转移概率映射，<math>T_{ij}^{(s)}\equiv\mathrm{P}(\mathcal{S}'=\mathcal{S}_j,\stackrel{\to}{S}^1=s|\mathcal{S}=\mathcal{S}_i)</math>。每个[math]\displaystyle{ \mathcal{S} }[/math]都有<math>\epsilon</math>函数和<math>T</math>函数，这两个函数可以组成一个有序对<math>\left \{ \epsilon,T \right \}</math>，通过学习<math>\epsilon</math>和<math>T</math>函数可以提高机器识别因果态的准确度。

智能体如何处理测量结果才能识别其中因果态呢？为了解决这个问题，计算力学建立了名为模式重构机器（ϵ-machine）的模型，它可以重构测量结果中的序列，去除随机噪音后识别其中的因果态。模式重构机器的大小可以用统计复杂度衡量，它的形式化定义可以用公式表示为<math>M=(\mathcal{S},T)</math>，其中<math>T</math>为状态到状态映射的集合，满足<math>S_{t+1}=TS_t</math>，<math>S</math>为集合<math>\mathcal{S} </math>中的任意一个因果态，它类似于一个粗粒化后的宏观动力学。<math>T_{ij}^{\left ( s \right )}</math>为两个因果态<math>S_i</math>和<math>S_j</math>之间的因果态转移概率映射，<math>T_{ij}^{(s)}\equiv\mathrm{P}(\mathcal{S}'=\mathcal{S}_j,\stackrel{\to}{S}^1=s|\mathcal{S}=\mathcal{S}_i)</math>。每个[math]\displaystyle{ \mathcal{S} }[/math]都有<math>\epsilon</math>函数和<math>T</math>函数，这两个函数可以组成一个有序对<math>\left \{ \epsilon,T \right \}</math>，通过学习<math>\epsilon</math>和<math>T</math>函数可以提高机器识别因果态的准确度。

如果将模型构建视为一个动态过程，那么在模型构建和完善过程中，有两个量度——香农熵率<math>h_μ </math>和统计复杂度<math>C_μ  </math>，可以分别用来监测智能体模型的预测能力和模型大小。由于外部环境实际熵率与智能体内部模型的熵率之间的绝对差异决定了智能体的预测误差率，因此模型的熵率越接近外部环境的熵率，智能体的生存机会就越高。但这种生存能力是有代价的，这个代价由智能体在进行预测时必须投入的计算资源决定的，这种代价的度量就是模型的统计复杂度。

如果将模型构建视为一个动态过程，那么在模型构建和完善过程中，有两个量度——香农熵率<math>h_μ </math>和统计复杂度<math>C_μ  </math>，可以分别用来监测智能体模型的预测能力和模型大小。由于外部环境实际熵率与智能体内部模型的熵率之间的绝对差异决定了智能体的预测误差率，因此模型的熵率越接近外部环境的熵率，智能体的生存机会就越高。但这种生存能力是有代价的，这个代价由智能体在进行预测时必须投入的计算资源决定的，这种代价的量度就是模型的统计复杂度。

==多层模式重构机器==

==模型分层重构法==

===模型创新===

===模型创新===