更改

由于整合信息分解框架是对信息分解框架的进一步划分，因此在整合信息原子计算时需要引入新的整合信息计算方法，该方法相比于已有的信息分解方法额外新增了一个自由度，既需要在原有信息分解方法的基础上定义一个新的（比如冗余到冗余原子）的计算方法。具体的计算方法，如部分信息分解框架一样，也有很多广泛的讨论，但目前仍没有一个被普遍接受的方法。（可进一步补充）

由于整合信息分解框架是对信息分解框架的进一步划分，因此在整合信息原子计算时需要引入新的整合信息计算方法，该方法相比于已有的信息分解方法额外新增了一个自由度，既需要在原有信息分解方法的基础上定义一个新的（比如冗余到冗余原子）的计算方法。具体的计算方法，如部分信息分解框架一样，也有很多广泛的讨论，但目前仍没有一个被普遍接受的方法。（可进一步补充）

=== 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：首先是关于系统是否产生因果涌现的定义，包括指定宏观态特征与不指定宏观态特征的两种场景。以及在此基础上，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）。以下分别是因果涌现定义，因果涌现分类概框架以及基于部分信息分解和整合信息分解的即因果解耦和向下因果具体定义。

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：首先是关于系统是否产生因果涌现的定义，包括指定宏观态特征与不指定宏观态特征的两种场景。以及在此基础上，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）。以下分别是因果涌现定义，因果涌现分类概框架以及基于部分信息分解和整合信息分解的即因果解耦和向下因果具体定义。

==== 因果涌现定义 ====

=== 因果涌现定义 ===

基于部分信息分解（PID）框架，作者提出了系统在指定宏观变量和未指定宏观变量情况下分别定义因果涌现的方法：

基于部分信息分解（PID）框架，作者提出了系统在指定宏观变量和未指定宏观变量情况下分别定义因果涌现的方法：

===== 特定宏观特征的因果涌现 =====  

==== 特定宏观特征的因果涌现 ====  

在指定系统的宏观随附特征 <math>V_t</math> 时，当特有信息满足 <math>Un^{(k)}(V_t;X_{t+1}| X_t)>0</math>，即当前时刻的宏观态 <math>V_t</math> 能超过当前时刻的微观态 <math>X_t</math> 给下一时刻的整体系统 <math>X_{t+1}</math> 提供更多信息，则系统存在因果涌现。此处的 <math>k</math>表示排除掉系统内每<math>k</math>个变量所构成的变量组内部所产生的该效应（类似于在微观和宏观间加入针对所有大小为<math>k</math>的子集的粗粝化中间层，然后仅关注从该中间层出发到宏观层间的效应）。为了便于理解，在本词条的后续介绍中默认<math>k=1</math>并不再标注，既不存在中间层的情况。

在指定系统的宏观随附特征 <math>V_t</math> 时，当特有信息满足 <math>Un^{(k)}(V_t;X_{t+1}| X_t)>0</math>，即当前时刻的宏观态 <math>V_t</math> 能超过当前时刻的微观态 <math>X_t</math> 给下一时刻的整体系统 <math>X_{t+1}</math> 提供更多信息，则系统存在因果涌现。此处的 <math>k</math>表示排除掉系统内每<math>k</math>个变量所构成的变量组内部所产生的该效应（类似于在微观和宏观间加入针对所有大小为<math>k</math>的子集的粗粝化中间层，然后仅关注从该中间层出发到宏观层间的效应）。为了便于理解，在本词条的后续介绍中默认<math>k=1</math>并不再标注，既不存在中间层的情况。

'''编者注：''' 此处作者的数学表述有歧义，因果涌现指标想要表示的是不能够被任何单一的微观变量<math>X_t^j</math>所提供的信息，但是能够被他们之间的协同效应(的代表<math>V_t</math> )所提供的关于下一时刻系统 <math>X_{t+1}</math> 的信息。因此将因果涌现指标写成 <math>Un(V_t;X_{t+1}| X_t)>0</math>并不妥当，因为通常来说系统的宏观特征应当是系统所有微观态的一个确定性函数，既<math>H(V_t| X_t)=0</math>（比如知道了系统内的所有分子的状态，那么系统的宏观状态应当是明确的）。这个问题会导致该指标永远等于0，并不能实现作者所希望的效果。作为对这个问题的修正，我们提议将该指标写作<math>Un(V_t;X_{t+1}| X_t^1,...,X_t^n )>0</math>，该表示方式代表不能够被任何单一的微观变量<math>X_t^j</math>所提供的信息，但是能够被<math>V_t</math>所提供的关于下一时刻系统 <math>X_{t+1}</math> 的信息。但是需要注意的是，尽管这种表示方式能够严谨的表达因果涌现的定义，但是无法套用PID算法对该指标进行计算。如果想要计算修正后的该指标，需要引入有粗砺化函数的PhiID框架，但该部分理论内容目前尚未被完善。

'''编者注：''' 此处作者的数学表述有歧义，因果涌现指标想要表示的是不能够被任何单一的微观变量<math>X_t^j</math>所提供的信息，但是能够被他们之间的协同效应(的代表<math>V_t</math> )所提供的关于下一时刻系统 <math>X_{t+1}</math> 的信息。因此将因果涌现指标写成 <math>Un(V_t;X_{t+1}| X_t)>0</math>并不妥当，因为通常来说系统的宏观特征应当是系统所有微观态的一个确定性函数，既<math>H(V_t| X_t)=0</math>（比如知道了系统内的所有分子的状态，那么系统的宏观状态应当是明确的）。这个问题会导致该指标永远等于0，并不能实现作者所希望的效果。作为对这个问题的修正，我们提议将该指标写作<math>Un(V_t;X_{t+1}| X_t^1,...,X_t^n )>0</math>，该表示方式代表不能够被任何单一的微观变量<math>X_t^j</math>所提供的信息，但是能够被<math>V_t</math>所提供的关于下一时刻系统 <math>X_{t+1}</math> 的信息。但是需要注意的是，尽管这种表示方式能够严谨的表达因果涌现的定义，但是无法套用PID算法对该指标进行计算。如果想要计算修正后的该指标，需要引入有粗砺化函数的PhiID框架，但该部分理论内容目前尚未被完善。

===== 系统的因果涌现能力 =====  

==== 系统的因果涌现能力 ====  

在未指定系统的宏观随附特征时，基于系统当前时刻的微观态 <math>X_t</math> 和下一时刻的微观态 <math>X_{t+1}</math> 之间的协同信息 <math>Syn^{(k)}(X_t^1,...,X_t^n;X_{t+1})>0</math>，若该协同信息大于零，则先前时刻与后续时刻变量之间存在不可约的协同效应（irreducible synergy），即系统发生因果涌现。此处默认<math>k=1</math>时的定义代表系统内所有子集所产生协同效应的总和，而非仅包括了所有变量的协同效应，后者只是前者的一部分。

在未指定系统的宏观随附特征时，基于系统当前时刻的微观态 <math>X_t</math> 和下一时刻的微观态 <math>X_{t+1}</math> 之间的协同信息 <math>Syn^{(k)}(X_t^1,...,X_t^n;X_{t+1})>0</math>，若该协同信息大于零，则先前时刻与后续时刻变量之间存在不可约的协同效应（irreducible synergy），即系统发生因果涌现。此处默认<math>k=1</math>时的定义代表系统内所有子集所产生协同效应的总和，而非仅包括了所有变量的协同效应，后者只是前者的一部分。

若 <math>Un(V_t;X_{t+1}| X_t)</math> 大于 0，则系统必然会出现因果涌现。然而，<math>V_t</math> 的选择往往需要预先定义粗粒化函数，因此方法一无法回避 [[Erik Hoel因果涌现理论]] 的局限。而方法二借助协同信息来判断因果涌现的发生，但协同信息的计算复杂，存在组合爆炸问题，往往不可行。

若 <math>Un(V_t;X_{t+1}| X_t)</math> 大于 0，则系统必然会出现因果涌现。然而，<math>V_t</math> 的选择往往需要预先定义粗粒化函数，因此方法一无法回避 [[Erik Hoel因果涌现理论]] 的局限。而方法二借助协同信息来判断因果涌现的发生，但协同信息的计算复杂，存在组合爆炸问题，往往不可行。

==== 因果涌现分类框架 ====

=== 因果涌现分类框架 ===

在研究因果涌现（Causal Emergence）的框架下，我们考虑一个多变量动力系统，其中系统的状态随时间演化，并可以从微观层级（microscopic level）和宏观层级（macroscopic level）进行观察和建模。

在研究因果涌现（Causal Emergence）的框架下，我们考虑一个多变量动力系统，其中系统的状态随时间演化，并可以从微观层级（microscopic level）和宏观层级（macroscopic level）进行观察和建模。

定义的第一行表示下一时刻的第一个微观变量取值是由上一时刻宏观态（全部微观变量的抑或操作）决定的，这种需要上一时刻所有变量共同参与才能够进行的预测（运算）对应着向下因果。第二行和第三行确定了系统上下时刻宏观态之间的关系，根据<math>\gamma</math>取值的不同，系统上下时刻间会存在不同的宏观预测能力，而这对应着因果结耦。

定义的第一行表示下一时刻的第一个微观变量取值是由上一时刻宏观态（全部微观变量的抑或操作）决定的，这种需要上一时刻所有变量共同参与才能够进行的预测（运算）对应着向下因果。第二行和第三行确定了系统上下时刻宏观态之间的关系，根据<math>\gamma</math>取值的不同，系统上下时刻间会存在不同的宏观预测能力，而这对应着因果结耦。

==== 因果涌现分类具体定义 ====

=== 因果涌现分类具体定义 ===

在给出了定义的基础之上，因果涌现可被进一步划分为向下因果（Downward Causation）与因果解耦（Causal Decoupling）两个部分，并且它们也都分别有在指定宏观变量和未指定宏观变量情况下的定义：

在给出了定义的基础之上，因果涌现可被进一步划分为向下因果（Downward Causation）与因果解耦（Causal Decoupling）两个部分，并且它们也都分别有在指定宏观变量和未指定宏观变量情况下的定义：

尽管信息分解提供了严谨的理论框架，但计算因果涌现仍然存在以下挑战：1. 计算复杂度 - 计算<math> PID </math> 或 <math> \Phi ID </math> 中的信息原子随着变量数的提升其复杂度与计算量均呈现指数提升，因此很难将该方法应用于实际系统。2. 粗粒化选择的影响 - 由于 <math>V_t</math> 的定义会影响因果涌现的测度，如何自动选择最佳的粗粒化策略仍然是一个未解决的问题。3. 信息分解的不确定性 - 不同的信息分解方法可能导致不同的因果涌现度量，PID 计算的不一致性导致因果涌现的定义依赖于特定的 PID 计算。这些挑战说明，尽管 PID 框架提供了强有力的因果涌现理论基础，但其应用仍然依赖于实际系统的计算方法和数据可获取性。

尽管信息分解提供了严谨的理论框架，但计算因果涌现仍然存在以下挑战：1. 计算复杂度 - 计算<math> PID </math> 或 <math> \Phi ID </math> 中的信息原子随着变量数的提升其复杂度与计算量均呈现指数提升，因此很难将该方法应用于实际系统。2. 粗粒化选择的影响 - 由于 <math>V_t</math> 的定义会影响因果涌现的测度，如何自动选择最佳的粗粒化策略仍然是一个未解决的问题。3. 信息分解的不确定性 - 不同的信息分解方法可能导致不同的因果涌现度量，PID 计算的不一致性导致因果涌现的定义依赖于特定的 PID 计算。这些挑战说明，尽管 PID 框架提供了强有力的因果涌现理论基础，但其应用仍然依赖于实际系统的计算方法和数据可获取性。

====因果涌现充分指标====

===因果涌现充分指标===

为了解决上述提到的问题，Rosas简化了因果涌现的计算，并建立了一套基于因果解耦和向下因果的识别标准。具体来说，为了避免该方法基于特定的某个协同信息和冗余信息的具体量化方法，这套标准通过反复减去冗余信息，使结果成为因果涌现的充分条件。

为了解决上述提到的问题，Rosas简化了因果涌现的计算，并建立了一套基于因果解耦和向下因果的识别标准。具体来说，为了避免该方法基于特定的某个协同信息和冗余信息的具体量化方法，这套标准通过反复减去冗余信息，使结果成为因果涌现的充分条件。