3,094
个编辑
更改
跳到导航
跳到搜索
第248行：
第248行： − − 在每个时间步 <math>t</math>，系统的微观状态（microscopic state） 由 <math>X_t</math> 表示，其中： − <math> − X_t = (X_t^1, X_t^2, ..., X_t^n) − </math> − 这里，<math>X_t^i</math> 代表该系统在时间 <math>t</math> 时刻的第 <math>i</math> 个微观变量，整个状态空间可以视为一个高维随机变量，描述系统在该时刻的完整状态。 − − − 为了研究系统在更高层级的行为，我们引入宏观状态（macroscopic state） <math>V_t</math>，其由微观态 <math>X_t</math> 通过某种粗粒化（coarse-graining）策略得到，即： − <math> − V_t = f(X_t) − </math> − 其中，函数 <math>f(\cdot)</math> 代表某种确定性的映射，将高维的微观状态映射到较低维的宏观表征。因此，宏观状态 <math>V_t</math> 是 <math>X_t</math> 的随附特征（supervenience），意味着 <math>V_t</math> 的值完全依赖于 <math>X_t</math>，但不同的粗粒化方法可能导致不同的宏观表征。 −
→因果涌现的分解
== 因果涌现的分解 ==
== 因果涌现的分解 ==
在系统的时间演化过程中，微观状态 <math>X_t</math> 影响下一时刻的微观状态 <math>X_{t+1}</math>，即：
在系统的时间演化过程中，微观状态 <math>X_t</math> 影响下一时刻的微观状态 <math>X_{t+1}</math>，即：