697
个编辑
更改
跳到导航
跳到搜索
第220行：
第220行： − + − + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + − # 计算力学中的斑图重构机器（ϵ-machine）和因果涌现中的[[神经信息压缩器|神经信息压缩机]]（NIS+）也有相似的地方，比如斑图重构机器可以识别因果态和预测未来状态，神经信息压缩机可以识别和生成最大化有效信息的宏观态，都能够最大化的保留有用信息。香农熵率在NIS+的框架中可以理解为，宏观动力学预测结果解码后对微观预测的误差的允许程度。这保证了我们得到的宏观动力学不仅简洁，而且保留的确实是对微观预测最有用的信息。+
→概念上的差异
== 与相关研究的比较 ==
== 与相关研究的比较 ==
===计算力学与因果涌现===
===计算力学与因果涌现===
====概念上的差异====
====概念对比====
计算力学的许多概念上都可以在[[因果涌现]]理论框架下找到对应，通过进行两者之间的对应和比较，我们可以拓展对涌现的理解和研究。
计算力学的许多概念上都可以在[[因果涌现]]理论框架下找到对应，通过进行两者之间的对应和比较，我们可以拓展对涌现的理解和研究。
{| class="wikitable"
|+<big>计算力学和因果涌现的概念对比</big>
!序号
!计算力学概念
!因果涌现概念
!概念的差异
|-
|1
|时间序列
|微观状态
|
|-
|2
|<math>\mathcal{R}_i \in \mathcal{R} </math>
|宏观态
|
|-
|3
|因果转移映射<math>T</math>
|有效的宏观动力学
|
|-
|4
|状态映射函数<math>\eta </math>
|粗粒化策略
|
|-
|5
|因果态的映射函数<math>\epsilon</math>
|能够最大化有效信息的粗粒化策略
|
|-
|}
# 计算力学中的时间序列可以看作是因果涌现中的微观状态，划分得到的状态<math>\mathcal{R}_i \in \mathcal{R} </math>对应宏观状态，因果转移映射<math>T</math> 对应于有效的宏观动力学。
# 计算力学中的时间序列可以看作是因果涌现中的微观状态，划分得到的状态<math>\mathcal{R}_i \in \mathcal{R} </math>对应宏观状态，因果转移映射<math>T</math> 对应于有效的宏观动力学。
# 计算力学中的状态映射函数<math>\eta </math>可以看作是因果涌现中的粗粒化策略，其中因果态的映射函数<math>\epsilon</math>对应能够最大化有效信息的粗粒化策略。
# 计算力学中的状态映射函数<math>\eta </math>可以看作是因果涌现中的粗粒化策略，其中因果态的映射函数<math>\epsilon</math>对应能够最大化有效信息的粗粒化策略。
====概念上的差异====
====概念上的差异====
===计算力学与马尔科夫链的成块性理论===
===计算力学与马尔科夫链的成块性理论===