更改

'''粗粒化映射'''：同上例，根据微观机制的分组，接受相同输入的变量可以被分为同一组，因此可以分为3个宏观变量。根据机制的同类性，{[00,01,10], [11]}可归并为宏观变量状态{"off" ,"on"}，输入宏观变量状态为”off“时，宏观变量响应也为”off“，反之亦然。确定性AND门映射为宏观COPY操作，即粗粒化后的宏观变量完全复制输入变量的状态。

'''粗粒化映射'''：同上例，根据微观机制的分组，接受相同输入的变量可以被分为同一组，因此可以分为3个宏观变量。根据机制的同类性，{[00,01,10], [11]}可归并为宏观变量状态{"off" ,"on"}，输入宏观变量状态为”off“时，宏观变量响应也为”off“，反之亦然。确定性AND门映射为宏观COPY操作，即粗粒化后的宏观变量完全复制输入变量的状态。

'''宏观动力学'''：宏观态的概率转移矩阵下图所示，可得到宏观动力学[math]EI(P_M) = 3  \text{ bits}[/math]，[math]Eff(P_M) = 1[/math]，[math]CE = EI(P_M) - EI(P_m) = 0.57 \text{ bits}[/math]，因果涌现发生。进一步拆解分析可知，微观和宏观机制都是完全确定性的，但粗粒化后宏观简并性明显减小 [math]\Delta Deg = -0.6[/math]，对应图中不同行的状态下一时刻转移至不同宏观态。在本实例中，粗粒化映射消除了系统的简并性，因此这是一种简并性主导的因果涌现。

'''宏观动力学'''：宏观态的概率转移矩阵如图4(b)所示，可得到宏观动力学[math]EI(P_M) = 3  \text{ bits}[/math]，[math]Eff(P_M) = 1[/math]，[math]CE = EI(P_M) - EI(P_m) = 0.57 \text{ bits}[/math]，因果涌现发生。进一步拆解分析可知，微观和宏观机制都是完全确定性的，但粗粒化后宏观简并性明显减小 [math]\Delta Deg = -0.6[/math]，对应图中不同行的状态下一时刻转移至不同宏观态。在本实例中，粗粒化映射消除了系统的简并性，因此这是一种简并性主导的因果涌现。