3,094
个编辑
更改
→由布尔网络生成TPM的代码
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变量，而粗粒化后的宏观变量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，对应组内神经元状态全为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变量，而粗粒化后的宏观变量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，对应组内神经元状态全为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”。
===变量外生化导致的因果涌现===
{| style="text-align: center;"
|+变量“冻结”示意图
[[文件:Frozen1.png|无框|粗粒化布尔图|500x500px|替代=]]
|}
在“冻结”外生变量的布尔实例中，变量D的输入仅来自于自身，且为COPY机制，故系统变化过程中变量D将一直保持初始的状态。A接受D和C的输入，响应方式为OR门，变量B，C的状态变化方式与A同理。由此，不难看出D的动力学变化模式独立于另外三个变量。“冻结”操作就是改变干预操作的分布，将D的初始状态仅设置为0，A，B，C接受其中一个输入固定为0，那么，它们状态更新就完全取决于另一个输入变量，OR机制变为COPY机制。（D也可以为1，但这种情况A，B，C也被固定为1，也满足“冻结”后的COPY机制）。
{| style="text-align: center;"
|+“黑盒”变量示意图
[[文件:Blackbox1.png|无框|粗粒化布尔图|500x500px|替代=]]
|}
“黑盒”布尔实例与前面例子不同之处在于，变量D接受来自另外三个变量的输入，响应方式为逻辑判断“三个输入加和是否等于3”。我们简单分析一下D的情况，当D为0时，和“冻结”例子就非常相似，A，B，C之间的响应变为COPY机制，COPY循环也不会带来总和的变化，D将持续为0；当D为1时，说明A，B，C也将全为1，也等价于COPY机制。所以在当前的实例中，可以忽略D的影响，当作黑盒，只关注A，B，C的变化。
== 由布尔网络生成TPM的代码 ==
== 由布尔网络生成TPM的代码 ==