5,443
个编辑
更改
→粗粒化映射
在“黑盒”布尔元素实例中，与前面例子不同之处在于，元素D接受来自另外三个元素的输入，响应门为逻辑判断“三个输入加和是否等于3”。我们简单分析一下D的情况，当D为0时，和“冻结”例子就非常相似，A，B，C之间的响应变为COPY机制，COPY循环也不会带来总和的变化，D将持续为0；当D为1时，说明A，B，C也将全为1，也等价于COPY机制。所以在当前的实例中，可以忽略D的影响，当作黑盒，只关注A，B，C的变化。
在“黑盒”布尔元素实例中，与前面例子不同之处在于，元素D接受来自另外三个元素的输入，响应门为逻辑判断“三个输入加和是否等于3”。我们简单分析一下D的情况，当D为0时，和“冻结”例子就非常相似，A，B，C之间的响应变为COPY机制，COPY循环也不会带来总和的变化，D将持续为0；当D为1时，说明A，B，C也将全为1，也等价于COPY机制。所以在当前的实例中，可以忽略D的影响，当作黑盒，只关注A，B，C的变化。
=== 最优粗粒化 ===
通常，一个微观系统可以有很多种粗粒化的方式。衡量一个粗粒化方案的好坏，需要计算粗粒化得到的宏观系统的有效信息，有效信息最大的宏观系统，对应的粗粒化方案被认为是最优的。在Erik Hoel的因果涌现理论中，因果涌现是定义在最优粗粒化方案上的，即粗粒化后有效信息增益为正，即发生了因果涌现。注：下面给出的Erik Hoel论文实例，提供的也是最优粗粒化策略，即对应的宏观TPM有效信息最大。
通常，一个微观系统可以有很多种粗粒化的方式。衡量一个粗粒化方案的好坏，需要计算粗粒化得到的宏观系统的有效信息，有效信息最大的宏观系统，对应的粗粒化方案被认为是最优的。在Erik Hoel的因果涌现理论中，因果涌现是定义在最优粗粒化方案上的，即粗粒化后有效信息增益为正，即发生了因果涌现。注：下面给出的Erik Hoel论文实例，提供的也是最优粗粒化策略，即对应的宏观TPM有效信息最大。