812
个编辑
更改
跳到导航
跳到搜索
第396行：
第396行： − + − + − + − + − − 所以，ϵ-机器的工作是根据当前状态和历史记忆而判断t时刻系统处于哪个因果态，并根据该因果态进行未来轨迹预测。 第412行：
第410行： − +
→尺度闭合性
无论系统是确定的或概率生成的，当我们已知t时刻的状态和历史记忆 <math>\overleftarrow{X_t}=\{... , X_{t-2}, X_{t-1}, X_t\}</math> 时，我们能够预测未来状态的轨迹 <math>p(\overrightarrow{X_t}| \overleftarrow{X_t})</math>，其中<math>\overrightarrow{X}^L_t=\{X_{t+1}, X_{t+2}, ... , X_{t+L}\}</math>，简写成<math>\overrightarrow{X_t}</math>。
无论系统是确定的或概率生成的，当我们已知t时刻的状态和历史记忆 <math>\overleftarrow{X_t}=\{... , X_{t-2}, X_{t-1}, X_t\}</math> 时，我们能够预测未来状态的轨迹 <math>p(\overrightarrow{X_t}| \overleftarrow{X_t})</math>，其中<math>\overrightarrow{X}^L_t=\{X_{t+1}, X_{t+2}, ... , X_{t+L}\}</math>，简写成<math>\overrightarrow{X_t}</math>。
不同时刻 <math>t</math> 和 <math>t'</math> 的状态和历史记忆虽然不完全一样，但是他们可能会导致同样的未来状态，<math>p(\overrightarrow{X_t}| \overleftarrow{X_t}) = p(\overrightarrow{X_t'}| \overleftarrow{X_t'}) </math>。所以，计算力学中把这些具有相同未来的<math>\overleftarrow{X_t}</math>划为等价euqivalent的状态，即
不同时刻 <math>t</math> 和 <math>t'</math> 的状态和历史记忆虽然不完全一样，但是他们可能会导致同样的未来状态，<math>p(\overrightarrow{X_t}| \overleftarrow{X_t}) = p(\overrightarrow{X_t'}| \overleftarrow{X_t'}) </math>。所以，计算力学中把这些具有相同未来的 <math>\overleftarrow{X_t}</math> 划为等价euqivalent的状态，即
<math>\overleftarrow{x_t} \equiv \overleftarrow{x_{t'}}\ \ \text{iff}\ \ p(\overrightarrow{x_t}| \overleftarrow{x_t} ) = p(\overrightarrow{x_t'}|\overleftarrow{x_t'}) </math>
<math>\overleftarrow{x_t} \equiv \overleftarrow{x_{t'}}\ \ \text{iff}\ \ p(\overrightarrow{x_t}| \overleftarrow{x_t} ) = p(\overrightarrow{x_{t'}}|\overleftarrow{x_{t'}}) </math>
并定义因果态，
并定义因果态，<math>E = \{E_t\}_{t \in \mathbb{N} }, E_t = \epsilon( \overleftarrow{X_t} ) </math>
<math>E = \{E_t\}_{t \in \mathbb{N} }, E_t = \epsilon( \overleftarrow{X_t} ) </math>
所以，ϵ-机器的工作是根据 <math>\overleftarrow{X_t}</math> 而判断 <math>t</math> 时刻系统处于哪个因果态 <math>E_t</math> ，并根据该因果态预测未来轨迹 <math>\overrightarrow{X_t}</math> 。
我们可以从最小解释模型的角度出发来理解因果态。最小解释模型是指，我们要如何去用最简洁的宏观状态来解释和描述系统发生的现象，而且这种解释模型要在微观层面扰动时保持‘稳定’。所以它追求的是两方面：首先需要稳定，其次尺度越高越好。而这个宏观状态就是因果态。
我们可以从最小解释模型的角度出发来理解因果态。最小解释模型是指，我们要如何去用最简洁的宏观状态来解释和描述系统发生的现象，而且这种解释模型要在微观层面扰动时保持‘稳定’。所以它追求的是两方面：首先需要稳定，其次尺度越高越好。而这个宏观状态就是因果态。
====跨尺度因果态====
====跨尺度因果态====
设我们对微观动力学 <math>X_t</math> 粗粒化成宏观动力学 <math>Z_t = f(X_t)</math>，<math>f</math> 为粗粒化函数。刚才的ϵ-机器只能处理在 <math>X</math> 空间上单一尺度的因果态，而作者们提出了另一种机器，υ-machine（υ-机器）来尝试定义跨尺度的因果态和计算机器。他们把因果态定义中的未来状态从微观的 <math>X</math> 改为宏观的 <math>Z</math>，并定义微观状态 <math>X</math> 中的等价关系为
设我们对微观动力学 <math>X_t</math> 粗粒化成宏观动力学 <math>Z_t = f(X_t)</math>，<math>f</math> 为粗粒化函数。上述的ϵ-机器只能处理在 <math>X</math> 空间上单一尺度的因果态，而作者们提出了另一种机器，υ-machine（υ-机器）来尝试定义跨尺度的因果态和计算机器。他们把因果态定义中的未来状态从微观的 <math>X</math> 改为宏观的 <math>Z</math>，并定义微观状态 <math>X</math> 中的等价关系为
<math>\overleftarrow{x_t} \equiv \overleftarrow{x_t'} \ \ \text{iff}\ \ p( \overrightarrow{z_t} | \overleftarrow{x_t}) = p(\overrightarrow{z_t'}| \overleftarrow{x_t'}) </math>
<math>\overleftarrow{x_t} \equiv \overleftarrow{x_t'} \ \ \text{iff}\ \ p( \overrightarrow{z_t} | \overleftarrow{x_t}) = p(\overrightarrow{z_t'}| \overleftarrow{x_t'}) </math>