更改

[[文件:Spatial1-A.png|无框|600x400像素]]

[[文件:Spatial1-A.png|无框|600x400像素]]

'''粗粒化映射'''：从上图TPM可以看出，这个概率转移矩阵非常复杂，但同时矩阵也有一些规律可循，比如前12行和后4行的模式差异较大，前12行中每4行的模式都是重复的。因此思考是否可以提炼出其中的规律，更加高效地表达系统间的状态转移模式。首先可以看系统内是有分组机制，四个元素被分为了两组，每组都接受另一组元素的输入且响应机制相同，同组元素的状态之间不会互相影响，因此同组元素之间是独立等价的，可以被映射或归类为同一个宏观元素。微观系统[math]S_m = \{ABCD\}[/math]可以被粗粒化为有两个元素[math]{α, β}[/math]的宏观系统[math]S_M[/math]。考虑微观状态的转移机制，输入值00，01和10决定状态的规则相同，输入值11对应另一种，因此每个宏观元素状态可以映射为{"off" ,"on"}两种。

'''粗粒化映射'''：从上图TPM可以看出，这个概率转移矩阵非常复杂，但同时矩阵也有一些规律可循，比如前12行和后4行的模式差异较大，前12行中每4行的模式都是重复的。因此思考是否可以提炼出其中的规律，更加高效地表达系统态之间的状态转移模式。首先可以看系统内是有分组机制，四个微观变量被分为了两组，每组都接受另一组变量的输入且响应机制相同，同组变量的状态之间不会互相影响，因此同组变量之间是独立等价的，可以被映射或归类为同一个宏观变量。微观变量[math]S_m = \{ABCD\}[/math]可以被粗粒化为两个宏观变量[math]S_M = {α, β}[/math]。考虑系统的转移机制，输入值00，01和10决定状态的规则相同，输入值11对应另一种，因此每个宏观变量的状态可以映射为{"off" ,"on"}两种。

'''宏观动力学'''：粗粒化后，现在由2个宏观变量组成，每个宏观变量有2个态，所以共有[math]2^2=4[/math]个宏观态。将系统以等概率设置为所有可能的宏观态，根据宏观态之间的转移规则，可以得到 4 × 4 的[math]P_M[/math] 概率转移矩阵。粗粒化后，宏观态的概率转移矩阵规模减小，但是状态间的转移规律更明确。宏观动力学[math]EI(P_M) = Det(P_M) - Deg(P_M) = 1.56 - 0.01 = 1.55 \text{ bits}[/math]，[math]Eff(P_M) = 0.78[/math]，高于微观动力学的[math]EI(P_m) = 1.15 \text{ bits}[/math]。因此，因果涌现度量[math]CE = EI(P_M) - EI(P_m) = 0.40 \text{ bits}[/math]，宏观动力学的因果性优于微观动力学，因果涌现发生。

'''宏观动力学'''：粗粒化后，现在由2个宏观变量组成，每个宏观变量有2个态，所以共有[math]2^2=4[/math]个宏观态。将系统以等概率设置为所有可能的宏观态，根据宏观态之间的转移规则，可以得到 4 × 4 的[math]P_M[/math] 概率转移矩阵。粗粒化后，宏观态的概率转移矩阵规模减小，但是状态间的转移规律更明确。宏观动力学[math]EI(P_M) = Det(P_M) - Deg(P_M) = 1.56 - 0.01 = 1.55 \text{ bits}[/math]，[math]Eff(P_M) = 0.78[/math]，高于微观动力学的[math]EI(P_m) = 1.15 \text{ bits}[/math]。因此，因果涌现度量[math]CE = EI(P_M) - EI(P_m) = 0.40 \text{ bits}[/math]，宏观动力学的因果性优于微观动力学，因果涌现发生。