更改

其中<math>\xi </math>表示系统中的噪音。

其中<math>\xi </math>表示系统中的噪音。

为了识别系统中的因果涌现，作者提出一种[[神经信息压缩器]]方法，构建Encoder-Dynamic Learning-Decoder框架，该模型由编码器、动力学学习器以及解码器三个部分构成，用神经网络构建动力学学习器（<math>f </math>），用可逆神经网络（INN）构建编码器（Encoder）和解码器（Decoder）。该模型框架可以看成是一个神经信息压缩器，将包含噪音的微观态压缩成宏观态，丢弃无用的信息，从而使得宏观动力学的因果性更强。NIS方法的模型框架如图所示。

为了识别系统中的因果涌现，作者提出一种[[神经信息压缩器]]方法，构建Encoder-Dynamic Learning-Decoder框架，该模型由编码器、动力学学习器以及解码器三个部分构成，用神经网络构建动力学学习器（<math>f </math>），用[[可逆神经网络]]（INN）构建编码器（Encoder）和解码器（Decoder）。该模型框架可以看成是一个神经信息压缩器，将包含噪音的微观态压缩成宏观态，丢弃无用的信息，从而使得宏观动力学的因果性更强。NIS方法的模型框架如图所示。

[[文件:NIS模型框架图.png|居中|400x400像素|替代=NIS模型框架图|NIS模型框架图|缩略图]]

[[文件:NIS模型框架图.png|居中|400x400像素|替代=NIS模型框架图|NIS模型框架图|缩略图]]