5,443
个编辑
更改
跳到导航
跳到搜索
第130行：
第130行： − ==== 因果涌现框架 ==== +
→基本概念
=== 基本概念 ===
=== 基本概念 ===
Rosas等<ref name=":5">Rosas F E, Mediano P A, Jensen H J, et al. Reconciling emergences: An information-theoretic approach to identify causal emergence in multivariate data[J]. PLoS computational biology, 2020, 16(12): e1008289.</ref> 从信息分解理论的视角出发，提出了一套基于信息原子定义因果涌现的方法。该方法可被分为两个部分：基于部分信息分解（PID）的因果涌现定义，以及在此基础之上的基于整合信息分解（PhiID）的因果涌现类型划分：即因果解耦（Causal Decoupling）和向下因果（Downward Causation）。
Rosas等<ref name=":5">Rosas F E, Mediano P A, Jensen H J, et al. Reconciling emergences: An information-theoretic approach to identify causal emergence in multivariate data[J]. PLoS computational biology, 2020, 16(12): e1008289.</ref> 从信息分解理论的视角出发，提出了一套基于信息原子定义因果涌现的方法。该方法可被分为两个部分：基于部分信息分解（PID）的因果涌现定义，以及在此基础之上的基于整合信息分解（PhiID）的因果涌现类型划分：即因果解耦（Causal Decoupling）和向下因果（Downward Causation）。
==== 因果涌现框架 ====
其中，因果解耦表示当前时刻宏观态对下一时刻宏观态的因果效应，向下因果表示上一时刻宏观态对下一时刻微观态的因果效应。因果解耦和向下因果的示意图如下所示，其中微观状态输入为 <math>X_t\ (X_t^1,X_t^2,…,X_t^n )</math>，宏观状态是 <math>V_t</math>，它由微观态变量 <math>X_t</math> 粗粒化而来，因此是 <math>X_t</math> 的随附特征（Supervenience），而 <math>X_{t+1}</math> 和 <math>V_{t+1}</math> 分别表示下一时刻的微观和宏观状态。
其中，因果解耦表示当前时刻宏观态对下一时刻宏观态的因果效应，向下因果表示上一时刻宏观态对下一时刻微观态的因果效应。因果解耦和向下因果的示意图如下所示，其中微观状态输入为 <math>X_t\ (X_t^1,X_t^2,…,X_t^n )</math>，宏观状态是 <math>V_t</math>，它由微观态变量 <math>X_t</math> 粗粒化而来，因此是 <math>X_t</math> 的随附特征（Supervenience），而 <math>X_{t+1}</math> 和 <math>V_{t+1}</math> 分别表示下一时刻的微观和宏观状态。