558
个编辑
更改
跳到导航
跳到搜索
第591行：
第591行： − + + 第616行：
第617行： − + 第625行：
第626行： − + + + + + + + + + + + + + + +
无编辑摘要
=测试量化因果涌现的效果=
=测试量化因果涌现的效果=
==布尔网络==
==离散系统==
===布尔网络===
下面基于Hoel等人的论文<ref name="Hoel2013">Hoel, E.P., Albantakis, L., Tononi, G.: Quantifying causal emergence shows that macro can beat micro. Proceedings of the National Academy of Sciences of the United States of America 110(49), 19790–19795 (2013) https://doi.org/10.1073/ pnas.1314922110</ref><ref name="Hoel2017">Hoel, E.P.: When the map is better than the territory. Entropy 19(5) (2017) https://doi.org/10.3390/e19050188</ref>中提出的几种布尔网络马尔可夫动力学来测试清晰和模糊因果涌现的定义。
下面基于Hoel等人的论文<ref name="Hoel2013">Hoel, E.P., Albantakis, L., Tononi, G.: Quantifying causal emergence shows that macro can beat micro. Proceedings of the National Academy of Sciences of the United States of America 110(49), 19790–19795 (2013) https://doi.org/10.1073/ pnas.1314922110</ref><ref name="Hoel2017">Hoel, E.P.: When the map is better than the territory. Entropy 19(5) (2017) https://doi.org/10.3390/e19050188</ref>中提出的几种布尔网络马尔可夫动力学来测试清晰和模糊因果涌现的定义。
[[文件:截屏2024-08-31_20.54.36.png|替代=|702x702像素]]
[[文件:截屏2024-08-31_20.54.36.png|替代=|702x702像素]]
==复杂网络==
===复杂网络===
对因果涌现的量化可应用于复杂网络，如下图所示。图（a)-(c）显示了由随机块模型（SBM）生成的具有三组参数（内部连接概率）的复杂网络的模糊因果涌现例子。TPM是通过对网络的邻接矩阵按每个节点的度进行归一化得到的。图(a)显示了一个有 100 个节点和 5 个区块（社区）的示例网络，图(b)显示了其奇异值频谱，同图中还显示了另外两个由SBM生成的网络光谱，它们的大小和块数相同，但参数不同。图(c) 是利用基于SVD的粗粒化方法进行缩减后的 (a) 网络。图(b)中，在与区块数相同的横坐标上可以观察到一个明显的分界点<math>
对因果涌现的量化可应用于复杂网络，如下图所示。图（a)-(c）显示了由随机块模型（SBM）生成的具有三组参数（内部连接概率）的复杂网络的模糊因果涌现例子。TPM是通过对网络的邻接矩阵按每个节点的度进行归一化得到的。图(a)显示了一个有 100 个节点和 5 个区块（社区）的示例网络，图(b)显示了其奇异值频谱，同图中还显示了另外两个由SBM生成的网络光谱，它们的大小和块数相同，但参数不同。图(c) 是利用基于SVD的粗粒化方法进行缩减后的 (a) 网络。图(b)中，在与区块数相同的横坐标上可以观察到一个明显的分界点<math>
(\epsilon=0.3,r_{\epsilon}=5)
(\epsilon=0.3,r_{\epsilon}=5)
[[文件:截屏2024-08-31_21.01.3211.png|替代=|931x931像素]]
[[文件:截屏2024-08-31_21.01.3211.png|替代=|931x931像素]]
==元胞自动机==
===元胞自动机===
如下图所示，关于清晰因果涌现的定义可应用于元胞自动机，以发现其局部涌现结构。在这个例子里刻画了元胞自动机（编号40的基本一维元胞自动机）局部TPM的清晰因果涌现。(a)是第40号元胞自动机的演化（规则是：000 → 0, 001 → 0, 010 → 1, 011 → 0, 100 → 1, 101 → 0, 110 → 0, 111 → 0）。局部TPM 由包括每个单元及其两个相邻单元的局部窗口获得。图(b) 显示了这些局部 TPM 的奇异值的可能频谱，在这些频谱中可能出现也可能不出现清晰因果涌现。图(c)用红点标记显示了所有单元和时间步长的清晰因果涌现分布（<math>
如下图所示，关于清晰因果涌现的定义可应用于元胞自动机，以发现其局部涌现结构。在这个例子里刻画了元胞自动机（编号40的基本一维元胞自动机）局部TPM的清晰因果涌现。(a)是第40号元胞自动机的演化（规则是：000 → 0, 001 → 0, 010 → 1, 011 → 0, 100 → 1, 101 → 0, 110 → 0, 111 → 0）。局部TPM 由包括每个单元及其两个相邻单元的局部窗口获得。图(b) 显示了这些局部 TPM 的奇异值的可能频谱，在这些频谱中可能出现也可能不出现清晰因果涌现。图(c)用红点标记显示了所有单元和时间步长的清晰因果涌现分布（<math>
\Delta\Gamma</math>）。
\Delta\Gamma</math>）。
[[文件:截屏2024-08-30_10.05.1111.png|替代=|935x935像素]]
[[文件:截屏2024-08-30_10.05.1111.png|替代=|935x935像素]]
==连续系统==
===增长模型===
假设一个4维的向量，前两个维度<math>x_1,x_2</math>遵循增长率为0.2和0.05的马尔萨斯增长模型。同时另外两个维度<math>x_3,x_4</math>直接复制了前两个维度的状态，他们和前两个维度高度相关，甚至可以视为冗余的维度。我们设微观态<math>x=(x_1,x_2,x_3,x_4)</math>, 模型的动力学可以写成<math>x_{t+1}=a_0+Ax_t+\varepsilon_t, \varepsilon_t\sim\mathcal{N}(0,\sigma^2 I_4)</math>其中<math>x_t,x_{t+1}\in\mathcal{R}^{4}</math>, <math>\sigma^2=0.1</math>, <math>a_0=0</math>, 并且
<blockquote>
<math>
A = \left(\begin{matrix}
1.2 & 0 &0 &0 \\
0 & 1.05 &0 &0 \\
1.2 & 0 &0 &0 \\
0 & 1.05 &0 &0
\end{matrix}\right).
</math>
</blockquote>
=参考文献=
=参考文献=