5,443
个编辑
更改
→基本概念
=== 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：基于部分信息分解（PID）的因果涌现定义，以及在此基础之上的基于整合信息分解（PhiID）的因果涌现类型划分：即因果解耦（Causal Decoupling）和向下因果（Downward Causation）。
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：基于部分信息分解（PID）的因果涌现定义，以及在此基础之上的基于整合信息分解（PhiID）的因果涌现类型划分：即因果解耦（Causal Decoupling）和向下因果（Downward Causation）。以下分别是概念框架的介绍以及基于部分信息分解和整合信息分解的具体定义。
==== 因果涌现框架 ====
==== 因果涌现框架 ====
===== 问题场景设定与因果涌现的定义 =====
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。
#### **问题设定**
在每个时间步 <math>t</math>，系统的**微观状态（microscopic state）** 由 <math>X_t</math> 表示，其中：
<math>
X_t = (X_t^1, X_t^2, ..., X_t^n)
</math>
这里，<math>X_t^i</math> 代表该系统在时间 <math>t</math> 时刻的**第 <math>i</math> 个微观变量**，整个状态空间可以视为一个**高维随机变量**，描述系统在该时刻的完整状态。
为了研究系统在更高层级的行为，我们引入**宏观状态（macroscopic state）** <math>V_t</math>，其由**微观态 <math>X_t</math> 通过某种粗粒化（coarse-graining）策略得到**，即：
<math>
V_t = f(X_t)
</math>
其中，函数 <math>f(\cdot)</math> 代表某种确定性或随机性的映射，将高维的微观状态映射到较低维的宏观表征。因此，**宏观状态 <math>V_t</math> 是 <math>X_t</math> 的随附特征（supervenience）**，意味着 <math>V_t</math> 的值完全依赖于 <math>X_t</math>，但不同的粗粒化方法可能导致不同的宏观表征。
在系统的时间演化过程中，微观状态 <math>X_t</math> 影响下一时刻的微观状态 <math>X_{t+1}</math>，即：
<math>
P(X_{t+1} | X_t)
</math>
同时，宏观状态 <math>V_t</math> 也演化为 <math>V_{t+1}</math>，其变化取决于其自身的历史状态和底层的微观演化：
<math>
P(V_{t+1} | V_t)
</math>
此外，由于 <math>V_t</math> 由 <math>X_t</math> 生成，我们也可以定义：
<math>
P(V_{t+1} | X_t)
</math>
以描述从微观到宏观的信息传递关系。
#### **因果涌现的概念**
**因果涌现（Causal Emergence）** 指的是在某些系统中，**宏观变量相比于微观变量表现出更清晰或更强的因果关系**。换句话说，系统的**因果结构** 在某种粗粒化的表征下可能变得更具信息性，而不是简单地由微观层级直接推导出来。
在这样的设定下，我们研究**因果涌现的两种主要表现形式**：
1. **向下因果性（Downward Causation）**：宏观态 <math>V_t</math> 影响下一时刻微观态 <math>X_{t+1}</math>，即：
<math>
P(X_{t+1} | V_t) \neq P(X_{t+1} | X_t)
</math>
这意味着宏观信息能够提供额外的预测能力，而不仅仅是微观状态的直接演化。
2. **因果解耦（Causal Decoupling）**：某些宏观态 <math>V_t</math> 对于预测下一时刻宏观态 <math>V_{t+1}</math> 具有比微观层级更强的能力：
<math>
P(V_{t+1} | V_t) \neq P(V_{t+1} | X_t)
</math>
这表明系统的演化在宏观层级上可能表现出新的、在微观尺度上不明显的因果模式。
#### **因果涌现的数学刻画**
为了更严格地刻画因果涌现，我们利用**PhiID 信息原子**来定量分析信息在系统不同层级之间的传播。具体而言，我们感兴趣的是：
- **向下因果（D）**：<math> \{\{12\}\} \to \{\{1\}\}, \{\{12\}\} \to \{\{2\}\}, \{\{12\}\} \to \{\{1\}\{2\}\}</math>。
- **因果解耦（G）**：<math> \{\{12\}\} \to \{\{12\}\} </math>。
这些度量指标可以帮助我们量化因果涌现的程度，并区分不同类型的信息传递模式。
### **总结**
该问题设定构建了一个多层级的时间演化系统，**通过分析信息在微观和宏观尺度间的流动**，我们可以识别因果涌现的特征。通过引入 **PhiID 信息原子**，我们能够精确地量化因果涌现的不同表现形式，并为复杂系统中的因果关系建模提供新的工具。
[[文件:向下因果与因果解耦2.png|链接=https://wiki.swarma.org/index.php/%E6%96%87%E4%BB%B6:%E5%90%91%E4%B8%8B%E5%9B%A0%E6%9E%9C%E4%B8%8E%E5%9B%A0%E6%9E%9C%E8%A7%A3%E8%80%A62.png|替代=|无框|300x300像素]]
[[文件:向下因果与因果解耦2.png|链接=https://wiki.swarma.org/index.php/%E6%96%87%E4%BB%B6:%E5%90%91%E4%B8%8B%E5%9B%A0%E6%9E%9C%E4%B8%8E%E5%9B%A0%E6%9E%9C%E8%A7%A3%E8%80%A62.png|替代=|无框|300x300像素]]