更改

=== 时间因果涌现 ===

=== 时间因果涌现 ===

通过时间进行微观状态分组也会有涌现现象发生，将微观时间步骤([math]t_x[/math]) 粗粒化为宏观时间步骤([math]T_x[/math])。图5中的实例中展示了微观的元素，在接收到两个尖峰的输入“burst”时，会响应一个输出burst。因此，元素在输入和输出上可以表示为二阶马尔可夫机制(图5A)。图5B显示，在一个微观时间步内评估得到的因果相互作用是很弱的[[math]EI(S_m)[/math] = 0.16 bits;[math]Eff(S_m)[/math] = 0.03]，因为一个微观时间步无法捕捉到二阶机制。相比之下，基于两个微观时间步的因果分析(图5C)可以得到EI = 1.38 bits和[math]Eff(S_m)[/math] = 0.34。微观状态在时间上分组为宏观状态α = {At, At+1}和β = {Bt, Bt+1}(图5D)，和图2中的空间分组:{00,01,10}= {off}和{11}= {on}相类似。在宏观时间步长上，系统变得完全确定性和非简并，[math]EI(S_M)[/math] = 2 bits，[math]Eff(S_M)[/math] = 1, [math]CE(S)[/math] = 0.62bits (图5E, F)。

通过时间进行微观状态分组也会有涌现现象发生，将微观时间步骤([math]t_x[/math]) 粗粒化为宏观时间步骤([math]T_x[/math])。图5中的实例中展示了微观的元素，在接收到两个尖峰的输入“burst”时，会响应一个输出burst。因此，元素在输入和输出上可以表示为二阶马尔可夫机制(图5A)。图5B显示，在一个微观时间步内评估得到的因果相互作用是很弱的[[math]EI(S_m)[/math] = 0.16 bits;[math]Eff(S_m)[/math] = 0.03]，因为一个微观时间步无法捕捉到二阶机制。相比之下，基于两个微观时间步的因果分析(图5C)可以得到[math]EI = 1.38 bits[/math]和[math]Eff(S_m)[/math] = 0.34。微观状态在时间上分组为宏观状态[math]α = {A_t, A_{t+1}}[/math]和[math]β = {B_t, B_{t+1}}[/math](图5D)，和图2中的空间分组:{00,01,10}= {off}和{11}= {on}相类似。在宏观时间步长上，系统变得完全确定性和非简并，[math]EI(S_M)[/math] = 2 bits，[math]Eff(S_M) = 1[/math], [math]CE(S) = 0.62 bits[/math] (图5E, F)。

图5

图5