786
个编辑
更改
→计算实例
同时[[NIS]]框架与前面提到的G-emergence理论也有相似之处，例如，[[NIS]]同样采用了[[格兰杰因果关系|格兰杰因果]]的思想：通过预测下一个时间步的微观状态来优化有效的宏观状态。然而，这两个框架之间有几个明显的区别：a）在G-emergence理论中，宏观状态需要人工选择，而[[NIS]]则是通过自动优化粗粒化策略来得到宏观状态的；b）NIS使用神经网络来预测未来状态，而G-emergence使用自回归技术来拟合数据。
同时[[NIS]]框架与前面提到的G-emergence理论也有相似之处，例如，[[NIS]]同样采用了[[格兰杰因果关系|格兰杰因果]]的思想：通过预测下一个时间步的微观状态来优化有效的宏观状态。然而，这两个框架之间有几个明显的区别：a）在G-emergence理论中，宏观状态需要人工选择，而[[NIS]]则是通过自动优化粗粒化策略来得到宏观状态的；b）NIS使用神经网络来预测未来状态，而G-emergence使用自回归技术来拟合数据。
=====计算实例=====
======计算实例======
作者在[[弹簧振子模型]]中进行了实验，如下图所示，图a展示下一时刻通过编码的结果与通过宏观动力学的迭代结果线性重合验证了模型的有效性，图b展示了学习到的两个动力学和真实的动力学同样重合，进一步验证了模型的有效性，图c是模型多步预测的效果，预测和真实的曲线很接近，图d展示了不同尺度下的因果涌现大小，发现在尺度为2时因果涌现最显著，对应了真实的弹簧振子模型也只需要两个状态（位置和速度）就可以描述整个系统。
作者在[[弹簧振子模型]]中进行了实验，如下图所示，图a展示下一时刻通过编码的结果与通过宏观动力学的迭代结果线性重合验证了模型的有效性，图b展示了学习到的两个动力学和真实的动力学同样重合，进一步验证了模型的有效性，图c是模型多步预测的效果，预测和真实的曲线很接近，图d展示了不同尺度下的因果涌现大小，发现在尺度为2时因果涌现最显著，对应了真实的弹簧振子模型也只需要两个状态（位置和速度）就可以描述整个系统。