812
个编辑
更改
→问题拆分
#**# '''一致性指标'''，包括基于统计物理模型的配分函数差异、在宏观和微观过程进行随机游走的权重差异等
#**# '''一致性指标'''，包括基于统计物理模型的配分函数差异、在宏观和微观过程进行随机游走的权重差异等
#**# 将宏观动力学通过逆粗粒化算子还原到微观空间，与真实微观动力学比较所得的预测误差等
#**# 将宏观动力学通过逆粗粒化算子还原到微观空间，与真实微观动力学比较所得的预测误差等
#* '''计算力学中的因果态结构'''：
#* '''计算力学中的因果态结构'''
#** 要求粗粒化后的宏观状态尽量接近因果态划分，从而实现最大可预测性和最小冗余
#** 要求粗粒化后的宏观状态尽量接近因果态划分，从而实现最大可预测性和最小冗余
#** 对应的单尺度和跨尺度因果态，应在给定粗粒化方案下具有良好的 '''尺度闭合性'''（因果 / 信息 / 计算闭合）：
#** 对应的单尺度和跨尺度因果态具有良好的 '''尺度闭合性'''（因果 / 信息 / 计算闭合）
#*** 因果闭合：宏观层面的因果结构在该尺度上是自洽和封闭的，无需回到微观层次来解释宏观演化
#*** 因果闭合：宏观层面的因果结构在该尺度上是自洽和封闭的，无需回到微观层次来解释宏观演化
#*** 信息闭合：宏观状态包含预测自身未来所需的全部信息，微观状态不会再提供额外的预测信息
#*** 信息闭合：宏观状态包含预测自身未来所需的全部信息，微观状态不会提供额外的预测信息
#*** 计算闭合：宏观动力学更新可以完全在宏观层面上进行计算，无需显式访问微观状态
#*** 计算闭合：宏观动力学更新可以完全在宏观层面上进行计算，无需显式访问微观状态
#* '''稳态下的随机动力学吸引子结构'''：
#* '''稳态下的随机动力学吸引子结构'''
#** 要求粗粒化在稳态分布下尽量尊重原系统的随机吸引子结构，包括将瞬时态（transient）、常返态（recurrent）、周期类等。
#** 要求粗粒化在稳态分布下尽量尊重原系统的随机吸引子结构，包括将瞬时态（transient）、常返态（recurrent）、周期类等
# '''目标（Objectives）'''：在允许的粗粒化方案集合中，想“最大化 / 最小化”的目标
# '''目标（Objectives）'''：在允许的粗粒化方案集合中，想“最大化 / 最小化”的目标
#* 最大化预测性
#* 最大化预测性
#** 在给定尺度和约束下，使宏观状态对未来的预测能力尽可能接近微观最优预测（例如最大化宏观状态与未来之间的互信息，或最小化预测误差）。
#** 在给定尺度和约束下，使宏观状态对未来的预测能力尽可能接近微观最优预测，如最大化宏观状态与未来之间的互信息或最小化预测误差
#* 最大化有效信息（EI）
#* 最大化有效信息（EI）
#** 使系统在宏观层面的因果效应强度（EI 或其归一化版本）最大，从而揭示因果涌现最显著的尺度。
#** 使系统在宏观层面的因果效应强度最大，从而揭示因果涌现最显著的尺度
#** 可由最大化动力学可逆性（Dynamical Reversibility）来近似实现，即通过转移算子的奇异值谱构造可逆性指标，并以其作为替代优化目标。
#** 可由最大化动力学可逆性（Dynamical Reversibility）来近似实现
#* 最小化随机性、信息损失：
#* 最小化随机性、信息损失：
#** 在保证预测性和因果强度的前提下，尽量减少从微观到宏观的信息丢失，实现压缩与保真之间的平衡。
#** 在保证预测性和因果强度的前提下，尽量减少从微观到宏观的信息丢失，实现压缩与保真之间的平衡。
# '''方法 / 算法（Methods / Algorithms）'''：怎样在给定目标和约束下找到一个好的 <math>f</math>：
# '''方法 / 算法（Methods / Algorithms）'''：怎样在给定目标和约束下找到一个好的 <math>f</math>
#* 贪婪/层次聚类、谱方法、SVD 方法
#* 贪婪/层次聚类、谱方法、SVD 方法
#* 遗传算法、GNN 参数化划分等
#* 遗传算法、GNN 参数化划分等