812
个编辑
更改
跳到导航
跳到搜索
第89行：
第89行： − + − + − + − + − + − + − + − + − + − + + + + + + + + + + + − + − + + + − #* 成块性检验与构造
→问题拆分
# '''问题对象（Problem Definition）'''：研究的对象和结果
# '''问题对象（Problem Definition）'''：研究的对象和结果
#* 粗粒化对象：微观马尔科夫链
#* 粗粒化对象：给定的微观马尔科夫链（状态空间、转移矩阵及其稳态分布等）。
#* 粗粒化结果：粗粒化映射算法得到的宏观马尔科夫链
#* 粗粒化结果：由粗粒化映射（或粗粒化算法）得到的宏观马尔科夫链，包括宏观状态空间、宏观转移矩阵以及相应的稳态分布。
# '''要求/约束（Requirements & Constraints）'''：要求一个具体粗粒化方案（必须或至少近似）满足的条件，或是天然具备的某些 '''结构''' 与 '''理论特征'''
# '''要求/约束（Requirements & Constraints）'''：要求一个具体粗粒化方案（必须或至少近似）满足的条件，或是天然具备的某些 结构 与 理论特征
#* 宏观过程是（近似）马尔科夫的
#* 宏观过程是（近似）马尔科夫的：
#* 粗粒化与动力学算子可交换
#** 即存在一个宏观转移算子，使得在粗粒化尺度上可以用一阶马尔科夫过程描述宏观动力学
#** 衍生推论：成块性（lumpability）
#* 粗粒化与动力学算子尽可能可交换，即 <math> \Phi P' = P \Phi </math>
#** 评价指标：一致性、配分函数差异、预测性
#** 在严格可交换的极限下，可以推导出成块性、因果态等结构性条件。
#* 因果态结构、ϵ-机器、υ-机器
#** 在一般近似情形下，可以通过多种指标来量化这一“动力学一致性”的好坏，例如：
#** 闭合性（因果 / 信息 / 计算闭合）
#**# 算子层面，即 即 <math> \Phi P' </math> 和 <math> P \Phi </math> 之间的误差，
#* 稳态下的吸引子分解、瞬时态/常返态、周期结构
#**# 一致性指标，包括基于统计物理模型的配分函数差异、在宏观和微观过程进行随机游走的权重差异
#**# 将宏观动力学通过逆粗粒化算子还原到微观空间，与真实微观动力学比较所得的预测误差等。
#* 因果态结构、ϵ-机器、υ-机器：
#** 要求在给定时间尺度或跨尺度上，粗粒化后的宏观状态尽量接近因果态划分，从而在该尺度上实现最大可预测性和最小冗余。
#** 对应的单尺度因果态和 ϵ-机器、跨尺度因果态和 υ-机器，应在给定粗粒化方案下具有良好的尺度闭合性（因果 / 信息 / 计算闭合）：
#*** 因果闭合：宏观层面的因果结构在该尺度上是自洽和封闭的，无需诉诸更微观层次来解释宏观演化。
#*** 信息闭合：宏观状态包含预测自身未来所需的全部信息，微观状态不会再提供额外可用的预测信息。
#*** 计算闭合：宏观动力学更新可以完全在宏观层面上进行计算，无需显式访问微观状态。
#* 稳态下的吸引子分解、瞬时态 / 常返态、周期结构：
#** 要求粗粒化在稳态分布下尽量尊重原系统的随机吸引子结构，将瞬时态（transient）、常返态（recurrent）、周期类等自然分解尽可能映射为清晰的宏观结构。
# '''目标（Objectives）'''：在允许的粗粒化方案集合中，想“最大化 / 最小化”的目标
# '''目标（Objectives）'''：在允许的粗粒化方案集合中，想“最大化 / 最小化”的目标
#* 最大化预测性
#* 最大化预测性
#** 在给定尺度和约束下，使宏观状态对未来的预测能力尽可能接近微观最优预测（例如最大化宏观状态与未来之间的互信息，或最小化预测误差）。
#* 最大化有效信息（EI）
#* 最大化有效信息（EI）
#** 可由最大化动力学可逆性替代实现
#** 使系统在宏观层面的因果效应强度（EI 或其归一化版本）最大，从而揭示因果涌现最显著的尺度。
#* 最小化随机性、信息损失、模型复杂度
#** 可由最大化动力学可逆性（Dynamical Reversibility）来近似实现，即通过转移算子的奇异值谱构造可逆性指标，并以其作为替代优化目标。
#* 最小化随机性、信息损失、模型复杂度：
#** 在保证预测性和因果强度的前提下，尽量减少从微观到宏观的信息丢失，以及宏观模型本身的结构复杂度（如宏观状态数、参数数量），实现压缩与保真之间的平衡。
# '''方法 / 算法（Methods / Algorithms）'''：怎样在给定目标和约束下找到一个好的 <math>f</math>：
# '''方法 / 算法（Methods / Algorithms）'''：怎样在给定目标和约束下找到一个好的 <math>f</math>：
#* 贪婪/层次聚类、谱方法、SVD 方法
#* 贪婪/层次聚类、谱方法、SVD 方法
#* 遗传算法、GNN 参数化划分等
#* 遗传算法、GNN 参数化划分等