更改

====斑图重构机器与NIS+（神经信息压缩机）的对比====

====斑图重构机器与NIS系列的对比====

计算力学中的斑图重构机器（ϵ-machine）和识别因果涌现的[[NIS+|NIS+]]都可以理解为是智能体观察外部世界的内部模型。斑图重构机器通过机器重构得到理想的划分和因果态的过程，与NIS+通过最大化宏观动力学的[[有效信息]]（Effective information，EI）得到最佳粗粒化策略与涌现的宏观动力学的过程是类似的。可以说，NIS+就是一个通过人工智能技术实现的斑图重构机器（ϵ-machine）。

计算力学中的斑图重构机器（ϵ-machine）和识别因果涌现的[[NIS]]和[[NIS+|NIS+]]都可以理解为是智能体观察外部世界的内部模型。斑图重构机器通过重构算法得到理想的划分和因果态的过程，与NIS或NIS+通过最大化宏观动力学的[[有效信息]]（Effective information，EI）得到最佳粗粒化策略与涌现的宏观动力学的过程是类似的。可以说，NIS或NIS+就是一个通过神经网络、机器学习技术实现的斑图重构机器（ϵ-machine）。

我们在构建模型时，一方面希望它足够简洁（因果态具有最小随机性，NIS+中最大化宏观的EI），另一方面则希望宏观模型仍保留微观态变化的重要信息，有能力预测未来的微观态。计算力学中，因果态的定义保证了它对微观态具有最大预测性，而香农熵率便可以衡量该预测误差的大小。前文中，统计复杂度关于熵率的曲线变化图说明，涌现发生在随机性程度中等的情形下。而在NIS+的框架中，我们用机器的重构预测误差来约束模型，要求其在保证对微观预测尽可能准确（误差低于一定阈值）的前提下，最大化宏观的EI。此时，我们也可以计算宏微观的EI以及它们的差值来判断是否发生因果涌现。如下图所示，最高强度的因果涌现也发生在观测噪音处于中等强度时。

二者的等价可以体现在两方面：一方面我们希望重构的模型应该足够简洁（因果态具有最小随机性，NIS+中最大化宏观的EI）；另一方面则希望宏观模型仍保留微观态变化的重要信息，有能力预测未来的微观态。

 

 

另外，我们在前文讨论了统计复杂度关于熵率的变化曲线，该图说明，涌现发生在随机性程度中等的情形下。而在NIS+的框架中，我们用机器的重构预测误差来约束模型，要求其在保证对微观预测尽可能准确（误差低于一定阈值）的前提下，最大化宏观的EI。此时，我们也可以计算宏微观的EI以及它们的差值来判断是否发生因果涌现。如下图所示，最高强度的因果涌现也发生在观测噪音处于中等强度时。

[[文件:计算力学 nis+.png|居中|800x800像素|替代=|无框]]

[[文件:计算力学 nis+.png|居中|800x800像素|替代=|无框]]