5,443
个编辑
更改
→问题场景设定与因果涌现的定义
==== 因果涌现框架 ====
==== 因果涌现框架 ====
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：
#### **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>
<math>
X_t = (X_t^1, X_t^2, ..., X_t^n)
X_t = (X_t^1, X_t^2, ..., X_t^n)
</math>
</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。
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>
<math>
V_t = f(X_t)
V_t = f(X_t)
</math>
</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。
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：
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：
以描述从微观到宏观的信息传递关系。
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：
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>
<math>
P(X_{t+1} | V_t) \neq P(X_{t+1} | X_t)
P(X_{t+1} | V_t) \neq P(X_{t+1} | X_t)
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。
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：
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>
<math>
P(V_{t+1} | V_t) \neq P(V_{t+1} | X_t)
P(V_{t+1} | V_t) \neq P(V_{t+1} | X_t)
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。
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**
#### 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>。
- 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>。
- 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。
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**
### 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]]