更改

注：本实例可对应真实神经元活动上的解释。神经元可以理解为图中的微观元素，而粗粒化后的宏观元素可理解为神经元组成的“微柱”（minicolumn），对应有三种状态:'''“抑制态”'''，微柱中神经元均在t时刻静默，对应组内元素状态全为0；'''“感受态”'''，部分神经元在t时刻放电，对应部分为1；'''“爆发态”'''：所有神经元均在t时刻放电，对应全为1。宏观的因果相互作用可以解释为，如果一个宏观“微柱”处于“抑制态”，那么只有接收到一次其他微柱的”爆发“式发放才能转换到“感受态”，极小可能转换为“爆发态”；否则，它将一直保持“抑制态”。

注：本实例可对应真实神经元活动上的解释。神经元可以理解为图中的微观元素，而粗粒化后的宏观元素可理解为神经元组成的“微柱”（minicolumn），对应有三种状态:'''“抑制态”'''，微柱中神经元均在t时刻静默，对应组内元素状态全为0；'''“感受态”'''，部分神经元在t时刻放电，对应部分为1；'''“爆发态”'''：所有神经元均在t时刻放电，对应全为1。宏观的因果相互作用可以解释为，如果一个宏观“微柱”处于“抑制态”，那么只有接收到一次其他微柱的”爆发“式发放才能转换到“感受态”，极小可能转换为“爆发态”；否则，它将一直保持“抑制态”。

== 代码 ==

== 由布尔网络生成TPM的代码 ==

这里提供了基于有效信息计算的因果涌现的python代码，以供参考：https://github.com/KellyPPeng/effective-information-calculation

这里提供了基于有效信息计算的因果涌现的python代码，以供参考：https://github.com/KellyPPeng/effective-information-calculation