更改

因果涌现 (查看源代码)

2024年8月25日 (日) 15:39的版本

添加15字节、 2024年8月25日 (星期日)

第127行：第127行：

Erik Hoel的因果涌现理论存在着需要指定粗粒化策略的问题，Rosas的信息分解理论并没有完全解决，因此，[[张江]]等人进一步提出了<ref name=":2">Zhang J, Tao R, Yuan B. Dynamical Reversibility and A New Theory of Causal Emergence. arXiv preprint arXiv:2402.15054. 2024 Feb 23.</ref>基于奇异值分解和动力学近似可逆性的因果涌现理论。

−

给定一个系统的马尔科夫转移矩阵<math>P</math>，我们可以对它进行[[奇异值分解]]，得到两个正交且归一化矩阵<math>U</math>和<math>V</math>~~,和一个对角阵~~<math>\Sigma</math>：<math>P= U\Sigma V^T</math>，其中[math]\Sigma=diag(\sigma_1,\sigma_2,\cdots,\sigma_N)[/math]，其中[math]\sigma_1\geq\sigma_2\geq\cdots\sigma_N[/math]为<math>P</math>的奇异值，并且按照从大到小的顺序排列，<math>N</math>为<math>P</math>的状态数量。

+

给定一个系统的马尔科夫转移矩阵<math>P</math>，我们可以对它进行[[奇异值分解]]，得到两个正交且归一化矩阵<math>U</math>和<math>V</math>，和一个对角阵<math>\Sigma</math>：<math>P= U\Sigma V^T</math>，其中[math]\Sigma=diag(\sigma_1,\sigma_2,\cdots,\sigma_N)[/math]，其中[math]\sigma_1\geq\sigma_2\geq\cdots\sigma_N[/math]为<math>P</math>的奇异值，并且按照从大到小的顺序排列，<math>N</math>为<math>P</math>的状态数量。

我们可以将奇异值的<math>\alpha</math>次方之和定义为马尔科夫动力学的近似可逆性度量，即：

第154行：第154行：

[[文件:Gamma例子.png|居左|400x400像素|<math>EI</math>与<math>\Gamma</math>对比]]

−

文中作者通过实例对比了状态转移矩阵的<math>EI</math>和<math>\Gamma_{1}</math>。对比图a，b，我们发现对于不同的状态转移矩阵，<math>EI</math>降低的时候，<math>\Gamma_1</math>也同步降低。进一步，图c和d是对比粗粒化前后的效果，其中图d是对图c状态转移矩阵的粗粒化（将前三个状态归并为一个宏观态）。由于宏观状态转移矩阵图d是一个[[确定性系统]]~~，因此，归一化后的EI，~~<math>eff\equiv EI/\log N</math>和归一化后的[math]\Gamma_1[/math]：<math>\gamma_1\equiv \Gamma_1/N</math>都达到了最大值1。

+

文中作者通过实例对比了状态转移矩阵的<math>EI</math>和<math>\Gamma_{1}</math>。对比图a，b，我们发现对于不同的状态转移矩阵，<math>EI</math>降低的时候，<math>\Gamma_1</math>也同步降低。进一步，图c和d是对比粗粒化前后的效果，其中图d是对图c状态转移矩阵的粗粒化（将前三个状态归并为一个宏观态）。由于宏观状态转移矩阵图d是一个[[确定性系统]]，因此，归一化后的<math>EI</math>，<math>eff\equiv EI/\log N</math>和归一化后的[math]\Gamma_1[/math]：<math>\gamma_1\equiv \Gamma_1/N</math>都达到了最大值1。

====动力学解耦（Dynamic independence）====

相信未来

1,119

个编辑