812
个编辑
更改
跳到导航
跳到搜索
第89行：
第89行： − + − + − + + 第100行：
第101行： − + + + + + + + + + + + − ## '''稳态下的随机动力学吸引子结构'''+ − + − # '''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+ − ##* 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） − ##* 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 − − ## 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。 − − ## 贪婪/层次聚类、谱方法、SVD 方法 − ## 遗传算法、GNN 参数化划分等
→问题拆分
# '''问题对象（Problem Definition）'''：研究的对象和结果
# '''问题对象（Problem Definition）'''：研究的对象和结果
## 粗粒化对象：给定的微观马尔科夫链
## '''输入'''：给定的微观马尔科夫链，包括微观状态空间 <math>S</math>、微观转移矩阵 <math>P</math> 以及相应的稳态分布 <math>\pi</math>。
## 粗粒化结果：由粗粒化算法得到的宏观马尔科夫链，包括宏观状态空间、宏观转移矩阵以及相应的稳态分布。
## '''输出'''：一个宏观马尔科夫链，包括宏观状态空间 <math>S'</math>、宏观转移矩阵 <math>P'</math>。具体来说，需要确定划分矩阵 <math>\Phi</math>（哪些微观状态归为一组）和聚合方式 <math>W</math>（如何从微观动力学构建宏观动力学）。
# '''要求/约束（Requirements & Constraints）'''：要求一个具体粗粒化方案（必须或至少近似）满足的条件，或是天然具备的某些结构和理论特征
# '''合法性条件（Requirements & Constraints）'''：要求一个粗粒化方案（必须或至少近似）满足合法的、符合物理直觉的的条件
## '''宏观过程是（近似）马尔科夫的'''
## '''宏观过程是（近似）马尔科夫的'''
##* 粗粒化后的宏观状态之间的转移只依赖当前宏观状态，不依赖于"是从哪个微观状态粗粒化而来的"。如果不满足，宏观过程会产生记忆效应，不再是马尔科夫链。
## '''宏观和微观动力学的演化保持一致'''
## '''宏观和微观动力学的演化保持一致'''
##* 要求'''粗粒化与动力学两个算子可交换'''，即 <math> \Phi P' = P \Phi </math>
##* 要求'''粗粒化与动力学两个算子可交换'''，即 <math> \Phi P' = P \Phi </math>
##** 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
##** 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
## 宏观和微观动力学（在对应的单尺度和跨尺度因果态上）具有良好的 '''尺度闭合性'''（因果 / 信息 / 计算闭合）
## '''尊重稳态下的随机动力学吸引子结构'''
##* 粗粒化不应破坏原系统在稳态分布下的基本拓扑结构，如常返类、瞬时态、周期类等。这些结构构成了一种"基准划分"，任何合理的粗粒化至少不应跨越这些结构边界。
# '''目标（Objectives）'''：在所有合法的粗粒化方案中，我们希望"最好"的那个满足什么
## '''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，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。成块性保证了宏观最大预测性，因果态保证了微观最大预测性。
## '''最大化有效信息（EI）'''
##* 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
##* 在粗粒化过程中截断线性相关的状态，消除信息冗余，提升因果通道的信息效率。
## '''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。
## '''尺度闭合性'''：宏观动力学能够自洽地独立演化，无需回到微观层次来修正：
##* 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
# '''方法 / 算法（Methods / Algorithms）'''：怎样在给定目标和约束下找到一个好的划分 <math>\Phi</math>
##* 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，包括瞬时态（transient）、常返态（recurrent）、周期类等
## '''划分方法'''：确定状态的分组方式。包括逐层贪婪算法、谱分解方法（对 <math>F</math> 或 <math>P</math> 做 SVD + K-Means 聚类）、遗传算法、GNN 参数化划分等。不同的划分方法隐含了不同的优化目标——例如，对 <math>F</math> 做 SVD 后聚类右奇异向量是为了恢复成块结构，而对 <math>P</math> 做 SVD 后聚类降维行向量是为了最大化动力学可逆性。
## '''聚合方法'''：确定 <math>W</math> 的选取方式，包括等权平均（仅适用于成块划分）、稳态分布加权平均（通过 <math>F' = \Phi^T F \Phi</math>）、高阶网络聚类（HOM）等。
##* 可由最大化动力学可逆性（Dynamical Reversibility）来近似实现
# '''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>
<br/>
<br/>