5,443
个编辑
更改
跳到导航
跳到搜索
第130行：
第130行： − '''系统机制'''：考虑一个由四个01元素组成的系统[math]S_m[/math] = {ABCD} (图A)。每个微观机制都是一个带有噪声的与门AND-gate(针对两个输入)。通过将系统以等概率设置为从[0000]到[1111]的所有可能的微观状态来构建16 × 16 [math]S_m[/math] 状态转移矩阵(图2B)。+ − + + + + + 第140行：
第144行： − + − 以状态空间的方式比较[math]S_m[/math]和[math]S_M[/math]，也可以得到宏观尺度有效性更高的结果。下图中，将[math]S_m[/math]状态{ABCD} =[0001]与相应[math]S_M[/math]状态{αβ} = [off, off]的因果分布进行对比。将[math]S_m[/math] =[0001]的因果分布与无约束库(使用[math]D_{KL}[/math]散度)进行比较，得到[math]0.83 bits[/math]的原因信息和[math]0.43 bits[/math]的结果信息。而对于宏观[math]S_M[/math]，原因信息为[math]2 bits[/math]，结果信息为[math]1.35 bits[/math]。因此，[math]{αβ} = [off, off][/math]比[math]{ABCD} =[0001][/math]更有选择性和可信度，宏观战胜了微观。 − 因果涌现可能不仅源于宏观尺度确定性的提高 (如上所述)，也可能源于简并性的减少。下图中，微观元素A-F是确定性AND门，连接方式对应了高简并度(图A，确定性为1；简并度为0.6)，得到[math]Eff(S_m)[/math] = 0.4, [math]EI(S_m)[/math] = 2.43 bits(图C)。最优宏观粗粒化分组将6个微观AND门组合成3个宏观COPY门(αβγ)(图B)。宏观和微观都是确定性的，但通过消除简并性：[math]\Delta I_{Eff} = 1.79 bits[/math]> - [math]\Delta I_{Size} = 1.22 bits[/math]。因此，[math]Eff(S_M) = 1[/math], [math]EI(S_M) = 3 bits[/math]，宏观因果涌现([math]CE = 0.57 bits[/math])。+ + + + + + + + +
无编辑摘要
=== 空间因果涌现 ===
=== 空间因果涌现 ===
空间因果涌现的产生，可能来自于粗粒化过程中不确定性减少，或者简并性抵消。
'''微观尺度'''：[math]S_m[/math]的有效信息[math]EI(S) = 1.15 bits[/math](最大取值为[math]4 bits[/math])，[math]Eff(S_m) = 0.29[/math]。
1.减少不确定性案例分析：
'''系统机制'''：考虑一个由四个0或1元素组成的系统[math]S_m[/math] = {ABCD} (图A)。每个微观机制都是一个针对两个输入的带噪声的与门。通过将系统以等概率设置为从[0000]到[1111]的所有可能的微观状态来构建16 × 16 [math]S_m[/math] 状态转移矩阵(图B)。
'''微观尺度'''：[math]S_m[/math]的有效信息[math]EI(S) = 1.15 bits[/math](最大取值为[math]4 bits[/math])，[math]Eff(S_m) = 0.29[/math]。
'''粗粒化映射'''：宏观尺度[math]S_M[/math](图2D)由两个元素[math]{α, β}[/math]组成，每个元素都有状态{"on" ,"off"}，是由图2C中的映射M定义的[math]S_m[/math]的粗粒化方法。通过将系统以等概率设置为从[off, off]到[on, on]的所有可能的宏观状态，可以得到4 × 4 的[math]S_M[/math] 状态转移矩阵(图2E)。
'''粗粒化映射'''：宏观尺度[math]S_M[/math](图2D)由两个元素[math]{α, β}[/math]组成，每个元素都有状态{"on" ,"off"}，是由图2C中的映射M定义的[math]S_m[/math]的粗粒化方法。通过将系统以等概率设置为从[off, off]到[on, on]的所有可能的宏观状态，可以得到4 × 4 的[math]S_M[/math] 状态转移矩阵(图2E)。
[[文件:空间因果涌现(抵消不确定性).png|无框|居左]]
[[文件:空间因果涌现(抵消不确定性).png|无框|居左]]
注：以状态空间的角度比较[math]S_m[/math]和[math]S_M[/math]，也可以得出宏观尺度的有效性更高。下图中，将[math]S_m[/math]状态{ABCD} =[0001]与相应[math]S_M[/math]状态{αβ} = [off, off]的因果分布进行对比。将[math]S_m[/math] =[0001]的因果分布与无约束库(使用[math]D_{KL}[/math]散度)进行比较，得到[math]0.83 bits[/math]的原因信息和[math]0.43 bits[/math]的结果信息。而对于宏观[math]S_M[/math]，原因信息为[math]2 bits[/math]，结果信息为[math]1.35 bits[/math]。因此，[math]{αβ} = [off, off][/math]比[math]{ABCD} =[0001][/math]更有选择性和可信度，宏观战胜了微观。
[[文件:图3状态依赖的因-果信息.png|无框|居左]]
[[文件:图3状态依赖的因-果信息.png|无框|居左]]
2.抵消简并性案例分析：
系统机制：微观元素A-F是确定性AND门，连接方式对应了高简并度(图A，确定性为1；简并度为0.6)
微观尺度：[math]Eff(S_m)[/math] = 0.4, [math]EI(S_m)[/math] = 2.43 bits(图C)。
粗粒化映射：最优宏观粗粒化分组将6个微观AND门组合成3个宏观COPY门(αβγ)(图B)。
宏观尺度：宏观和微观都是完全确定性的，但简并性减小 [math]\Delta I_{Eff} = 1.79 bits[/math]> - [math]\Delta I_{Size} = 1.22 bits[/math]。所以宏观尺度下 [math]Eff(S_M) = 1[/math], [math]EI(S_M) = 3 bits[/math]，宏观因果涌现([math]CE = 0.57 bits[/math])。