5,443
个编辑
更改
跳到导航
跳到搜索
第175行：
第175行： + + + + + + + + +
→因果涌现框架
2. 因果解耦（Causal Decoupling）：某些宏观态 <math>V_t</math> 对于预测下一时刻宏观态 <math>V_{t+1}</math> 具有比所有仅单独考虑系统每个微观变量的效果的总和更强的能力：这表明系统的演化在宏观层级上可能表现出新的、在微观尺度上不明显的因果模式。
2. 因果解耦（Causal Decoupling）：某些宏观态 <math>V_t</math> 对于预测下一时刻宏观态 <math>V_{t+1}</math> 具有比所有仅单独考虑系统每个微观变量的效果的总和更强的能力：这表明系统的演化在宏观层级上可能表现出新的、在微观尺度上不明显的因果模式。
案例：
[[文件:因果解耦以及向下因果例子1.png|500x500像素|因果解耦以及向下因果例子|链接=https://wiki.swarma.org/index.php/%E6%96%87%E4%BB%B6:%E5%9B%A0%E6%9E%9C%E8%A7%A3%E8%80%A6%E4%BB%A5%E5%8F%8A%E5%90%91%E4%B8%8B%E5%9B%A0%E6%9E%9C%E4%BE%8B%E5%AD%901.png]]
文<ref name=":5" />中作者列举了一个具体的例子(如上式），来说明什么时候发生[[因果解耦]]、[[向下因果]]以及[[因果涌现]]。该例子是一个特殊的马尔科夫过程，这里，<math>p_{X_{t+1}|X_t}(x_{t+1}|x_t)</math>表示动力学关系，<math>X_t=(x_t^1,…,x_t^n )\in \left\{0,1\right\}^n </math>为微观态。该过程的定义是通过检查前后两个时刻的变量<math>x_t</math>和<math>x_{t+1}</math>的取值，也就是判断<math>x_t</math>的所有维度模2求和是否与<math>x_{t+1}</math>的第一个维度相同来确定下一时刻状态<math>x_{t+1}</math>取不同数值概率的：如果不同，则概率取0；否则则再判断<math>x_t,x_{t+1}</math>在所有维度上是否都有相同的模2和，如果两个条件都满足，则取值概率为<math>\gamma/2^{n-2}</math>，否则取值概率为<math>(1-\gamma)/2^{n-2}</math>。这里<math>\gamma</math>为一个参数，<math>n</math>为x的总维度。
实际上，如果<math>\sum_{j=1}^n x^j_t</math>是偶数或者0时<math>\oplus^n_{j=1} x^j_t:=1</math>，反之<math>\oplus^n_{j=1} x^j_t:=0</math>，因此<math>\oplus^n_{j=1} x^j_t</math>的结果是X整体序列的奇偶性，而第一个维度则可以看作是一个奇偶校验位。<math>\gamma</math>实际上表示X序列某两个位产生了突变，并且该突变却能够保证整体序列的奇偶性不变，以及序列的奇偶校验位也符合序列整体的实际奇偶性的概率。
因而该过程的宏观态可以就看做是整个序列所有维度和的奇偶性，该奇偶性的概率分布是微观态的异或计算的结果。<math>x_t^1</math>是一个特殊的微观态，它始终与上一时刻序列的宏观态保持一致。
==== 因果涌现定义 ====
==== 因果涌现定义 ====