5,443
个编辑
更改
跳到导航
跳到搜索
第162行：
第162行： − #### 因果涌现的概念+ − 因果涌现（Causal Emergence） 指的是在某些系统中，宏观变量相比于微观变量表现出更清晰或更强的因果关系。换句话说，系统的因果结构 在某种粗粒化的表征下可能变得更具信息性，而不是简单地由微观层级直接推导出来。 − 在这样的设定下，我们研究因果涌现的两种主要表现形式：+ − + − P(X_{t+1} | V_t) \neq P(X_{t+1} | X_t) − </math> − + − P(V_{t+1} | V_t) \neq P(V_{t+1} | X_t) − </math> − − #### 因果涌现的数学刻画 − 为了更严格地刻画因果涌现，我们利用PhiID 信息原子来定量分析信息在系统不同层级之间的传播。具体而言，我们感兴趣的是： − - 向下因果（D）：<math> \{\{12\}\} \to \{\{1\}\}, \{\{12\}\} \to \{\{2\}\}, \{\{12\}\} \to \{\{1\}\{2\}\}</math>。 − - 因果解耦（G）：<math> \{\{12\}\} \to \{\{12\}\} </math>。 − − 这些度量指标可以帮助我们量化因果涌现的程度，并区分不同类型的信息传递模式。 − − ### 总结 − 该问题设定构建了一个多层级的时间演化系统，通过分析信息在微观和宏观尺度间的流动，我们可以识别因果涌现的特征。通过引入 PhiID 信息原子，我们能够精确地量化因果涌现的不同表现形式，并为复杂系统中的因果关系建模提供新的工具。 − − − [[文件:向下因果与因果解耦2.png|链接=https://wiki.swarma.org/index.php/%E6%96%87%E4%BB%B6:%E5%90%91%E4%B8%8B%E5%9B%A0%E6%9E%9C%E4%B8%8E%E5%9B%A0%E6%9E%9C%E8%A7%A3%E8%80%A62.png|替代=|无框|300x300像素]]
→因果涌现框架
以描述从微观到宏观的信息传递关系。
以描述从微观到宏观的信息传递关系。
[[文件:向下因果与因果解耦2.png|链接=https://wiki.swarma.org/index.php/%E6%96%87%E4%BB%B6:%E5%90%91%E4%B8%8B%E5%9B%A0%E6%9E%9C%E4%B8%8E%E5%9B%A0%E6%9E%9C%E8%A7%A3%E8%80%A62.png|替代=|无框|300x300像素]]
因果涌现（Causal Emergence） 指的是在某些系统中，宏观变量相比于微观变量表现出更清晰或更强的因果关系。换句话说，系统的因果结构 在某种粗粒化的表征下可能变得更具信息性，而不是简单地由微观层级直接推导出来。在这样的设定下，框架（上图）关注因果涌现的两种主要表现形式：
1. 向下因果性（Downward Causation）：宏观态 <math>V_t</math> 影响下一时刻微观态 <math>X_{t+1}</math>，即：
1. 向下因果性（Downward Causation）：宏观态 <math>V_t</math> 影响下一时刻微观态 <math>X_{t+1}</math>，即：
<math>
<math> P(X_{t+1} | V_t) \neq P(X_{t+1} | X_t)</math>
这意味着宏观信息能够提供额外的预测能力，而不仅仅是微观状态的直接演化。
这意味着宏观信息能够提供额外的预测能力，而不仅仅是微观状态的直接演化。
2. 因果解耦（Causal Decoupling）：某些宏观态 <math>V_t</math> 对于预测下一时刻宏观态 <math>V_{t+1}</math> 具有比微观层级更强的能力：
2. 因果解耦（Causal Decoupling）：某些宏观态 <math>V_t</math> 对于预测下一时刻宏观态 <math>V_{t+1}</math> 具有比微观层级更强的能力：
<math>
<math>P(V_{t+1} | V_t) \neq P(V_{t+1} | X_t)</math>
这表明系统的演化在宏观层级上可能表现出新的、在微观尺度上不明显的因果模式。
这表明系统的演化在宏观层级上可能表现出新的、在微观尺度上不明显的因果模式。
==== 基于部分信息分解的因果涌现定义 ====
==== 基于部分信息分解的因果涌现定义 ====