集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织

更改

整合信息论 (查看源代码)

2025年11月9日 (日) 18:06的版本

删除3,068字节 、 2025年11月9日 (日) 18:06
→‎IIT2.0
第367行： 第367行：  
[[文件:整合信息论图7.png|无|缩略图|600x600像素|如何从一个由4个单元构成的系统及其活动模式构建出对应的感质形状]]
 
[[文件:整合信息论图7.png|无|缩略图|600x600像素|如何从一个由4个单元构成的系统及其活动模式构建出对应的感质形状]]
   −
=== 纠缠（Entanglement） ===
+
==== 纠缠（Entanglement） ====
 
纠缠度是量化子机制间信息关系不可还原性的关键指标，核心衡量 子机制对应的子 q - 箭头联合生成的信息，能否还原为各子 q - 箭头独立信息之和，用符号γ表示。这一指标直接反映子机制间是否存在实质性因果交互，是判断信息关系协同效应的核心依据。γ是子机制组合后的整体信息分布与拆分后各子机制独立信息分布的乘积之间的相对熵，[math]\displaystyle \gamma\left(X_0\left[m,x_1\right] \to X_0\left[m \cup r,x_1\right]\right) = H\left[ X_0\left(m \cup r,x_1\right) \Bigg\| \prod_{M^k \in \text{MIP}_r} M^0\left(m \cup r^k,x_1\right) \right][/math]
 
纠缠度是量化子机制间信息关系不可还原性的关键指标，核心衡量 子机制对应的子 q - 箭头联合生成的信息，能否还原为各子 q - 箭头独立信息之和，用符号γ表示。这一指标直接反映子机制间是否存在实质性因果交互，是判断信息关系协同效应的核心依据。γ是子机制组合后的整体信息分布与拆分后各子机制独立信息分布的乘积之间的相对熵，[math]\displaystyle \gamma\left(X_0\left[m,x_1\right] \to X_0\left[m \cup r,x_1\right]\right) = H\left[ X_0\left(m \cup r,x_1\right) \Bigg\| \prod_{M^k \in \text{MIP}_r} M^0\left(m \cup r^k,x_1\right) \right][/math]
   第380行： 第380行：  
[[文件:纠缠.png|无|缩略图|400x400像素|沉默AND门产生纠缠，NOISY COPY 系统信息独立]]
 
[[文件:纠缠.png|无|缩略图|400x400像素|沉默AND门产生纠缠，NOISY COPY 系统信息独立]]
   −
=== 模式（mode) ===
+
==== 模式（mode) ====
 
模式是由大量高纠缠度（γ>0）的概念（不可分割信息关系） 层级化聚合形成的感质空间（Q）子形状，对应意识体验的功能性分类（如视觉、听觉、触觉等）；其核心特征是局部最大密集纠缠—— 作为感质空间中比周围 q - 箭头更密集纠缠的子集合，既不被包含在更密集纠缠的更大集合中，又类比于生成整合信息\(\Phi>0\)的复合体（complex）。不同模式对应视觉、听觉等不同功能模式，既相对独立又共同构成整体意识体验，如看电影时的视觉与听觉模式。
 
模式是由大量高纠缠度（γ>0）的概念（不可分割信息关系） 层级化聚合形成的感质空间（Q）子形状，对应意识体验的功能性分类（如视觉、听觉、触觉等）；其核心特征是局部最大密集纠缠—— 作为感质空间中比周围 q - 箭头更密集纠缠的子集合，既不被包含在更密集纠缠的更大集合中，又类比于生成整合信息\(\Phi>0\)的复合体（complex）。不同模式对应视觉、听觉等不同功能模式，既相对独立又共同构成整体意识体验，如看电影时的视觉与听觉模式。
    
在图4.4中具象化了模式概念，通过一个包含 “AND 门” 与 “COPY 门” 的混合系统，直观呈现模式是最大密集纠缠的 q-arrow 集群这一核心定义，同时揭示模式与系统连接性、纠缠分布的关联。图4.4AB中用粉色区域标记 {c¹³,c²³} 对应的 q-arrow 集群，该区域的纠缠密度显著高于周围（尤其是 c³² 对应的灰色区域），形成一个独立的子形状—— 这一子形状即模式，因为它是局部最大密集纠缠的集合，且不被任何更大的、纠缠密度更高的 q-arrow 集群包含。而图4.4AC中C32用灰色区域表示，q - 箭头无密集纠缠，无法形成独立的子形状 ，未产生纠缠。
 
在图4.4中具象化了模式概念，通过一个包含 “AND 门” 与 “COPY 门” 的混合系统，直观呈现模式是最大密集纠缠的 q-arrow 集群这一核心定义，同时揭示模式与系统连接性、纠缠分布的关联。图4.4AB中用粉色区域标记 {c¹³,c²³} 对应的 q-arrow 集群，该区域的纠缠密度显著高于周围（尤其是 c³² 对应的灰色区域），形成一个独立的子形状—— 这一子形状即模式，因为它是局部最大密集纠缠的集合，且不被任何更大的、纠缠密度更高的 q-arrow 集群包含。而图4.4AC中C32用灰色区域表示，q - 箭头无密集纠缠，无法形成独立的子形状 ，未产生纠缠。
 
[[文件:局部截取 20251109 152740.png|无|缩略图|600x600像素|模式]]
 
[[文件:局部截取 20251109 152740.png|无|缩略图|600x600像素|模式]]
−
  −
==== 全模型与分割模型 ====
  −
Amari、Tsuchiya和Oizumi三位作者于2017年提出了如何用信息几何（Information Geometry）的方法来量化多终端因果系统中的信息整合程度的概念，这里的信息几何通过定义 “分割模型”（对全模型的简化，移除部分终端间的信息传输），衍生出不同的信息整合度量：
  −
{| class="wikitable"
  −
!模型名称
  −
!定义与约束
  −
!流形性质
  −
!信息整合度量<math>\Phi</math>
  −
!特性
  −
|-
  −
|全模型（M）
  −
|所有终端完全连接的图形模型，包含系统完整的联合分布<math>p(x,y)</math>
  −
|对偶平坦流形
  −
|——
  −
|作为基准模型，用于对比分割模型的信息损失。
  −
|-
  −
|完全分割模型（<math>M_{FS}</math>）
  −
|移除<math>X_i</math>与<math>Y_j(i≠j)</math>、<math>Y_i</math>与<math>Y_j(i≠j)</math>的连接，条件分布满足<math>q(y|x)=\prod_i q(y_i|x_i)</math>
  −
|e 平坦子流形
  −
|<math>\Phi_{FS} = \sum H[Y_i|X_i] - H[Y|X]</math>（H为条件熵）
  −
|不满足<math>0 \leq \Phi \leq I(X;Y)</math>（I为互信息），因不包含X与Y独立的分布。
  −
|-
  −
|对角分割模型（<math>M_{DS}</math>）
  −
|仅移除<math>X_i</math>与<math>Y_j(i≠j)</math>的连接，保留<math>Y_i</math>间的连接，约束为<math>\theta_{12}^{XY}=\theta_{21}^{XY}=0</math>
  −
|e 平坦子流形
  −
|<math>\Phi_{DS} = D_{KL}[p:q^*]</math>（<math>q^*</math>为p在<math>M_{DS}</math>上的投影）
  −
|满足<math>0 \leq \Phi \leq I(X;Y)</math>，但无法完全移除非对角因果影响。
  −
|-
  −
|因果分割模型（<math>M_G</math>）
  −
|移除<math>X_i</math>与<math>Y_j(i≠j)</math>的因果影响，满足马尔可夫条件（如<math>X_1-X_2-Y_2</math>）
  −
|弯曲子流形
  −
|高斯情况下：<math>\Phi_G = \frac{1}{2}\log\frac{|\sum(E)|}{|\sum(E')|}</math>（<math>\sum(E)</math>为噪声协方差）
  −
|满足<math>0 \leq \Phi \leq I(X;Y)</math>，纯粹量化因果影响，最符合整合信息理论（IIT）理念。
  −
|-
  −
|不匹配解码模型（<math>M_{MD}</math>）
  −
|从解码视角定义，用不含<math>x_i</math>与<math>y_j(i≠j)</math>交互项的<math>q(x,y;\beta)</math>估计输入，量化信息损失
  −
|弯曲子流形（1 维）
  −
|<math>\Phi_{MD} = \min_\beta D_{KL}[p:q(x,y;\beta)]</math>（<math>\beta</math>为优化参数）
  −
|需数值方法求解最优<math>\beta</math>，包含于<math>M_{DS}</math>。
  −
|}
  −
  −
子流形包含：<math>\mathcal{M}_{DS} \supset \mathcal{M}_{FS}</math>，<math>\mathcal{M}_{DS} \supset \mathcal{M}_{MD}</math>，<math>\mathcal{M}_G \supset \mathcal{M}_{FS}</math>；
  −
度量大小：由 KL 散度的性质，子流形范围越大，对应度量越小，即<math>\Phi_{FS} \geq \Phi_{DS}</math>，<math>\Phi_{MD} \geq \Phi_{DS}</math>，<math>\Phi_{FS} \geq \Phi_G</math>。
  −
  −
信息几何为量化因果动力系统的信息整合提供了统一框架，尤其在意识研究（如整合信息理论 IIT）中用于分析系统各部分的因果交互。因果分割模型对应的<math>\Phi_G</math>因能纯粹量化因果影响且满足自然约束，是最合理的信息整合度量。
      
==IIT3.0==
 
==IIT3.0==
相信未来
5,443

个编辑

取自“https://wiki.swarma.org/index.php/特殊:移动版差异/47527”