更改

第3行: 第3行:  
== 起源 ==
 
== 起源 ==
   −
2013年,Erik Hoel在文章<ref name="hoel_2013" />中首次使用[[有效信息]]指标,用来定量描述涌现现象,并提出了[[因果涌现]]理论。根据这一理论,一个马尔科夫动力系统中微观状态的转移规则,即微观动力学或微观的[[因果机制]](Causal Mechanism)是已知的。在此基础上,将多个微观状态进行合并,即文中所表述的粗粒化映射,可以得到相应的宏观状态,而微观动力学也被相应地粗粒化为宏观动力学。其中,微观动力学或因果机制是富含所有信息的,宏观动力学或因果机制是随附于(Supervene)微观因果机制的。因果涌现现象被描述为:粗粒化后的宏观动力学的因果效应高于微观动力学的因果效应。其中,[[因果效应的度量]]是使用[[有效信息]]这一指标完成的。这一指标被定义为干预下的[[互信息]],即将系统上一时刻的状态(即因变量)干预为均匀分布,然后计算上一时刻和下一时刻状态(即动力学的因变量和果变量)之间的[[互信息]]大小。这种定义反映了因与果状态被动力学即因果机制约束的强度,也就是因果效应的强度。通过这种干预操作,最终的有效信息仅仅是动力学即因果机制的函数,而与因变量的分布无关。
+
因果涌现的基本思想,即通过粗粒化而得到因果效应更强的系统可以追溯到Crutchfield等人的[[计算力学]]理论,以及Seth等人提出的[[格兰杰涌现]]等理论框架。然而,正式的[[因果涌现]]理论的提出则要等到2013年。
 +
 
 +
这一年,Erik Hoel在美国科学院院刊(PNAS)上发表文章<ref name="hoel_2013" />,首次使用了[[有效信息]]指标用来定量描述涌现现象,并提出了[[因果涌现]]理论。根据这一理论,一个马尔科夫动力系统中微观状态的转移规则,即微观动力学或微观的[[因果机制]](Causal Mechanism)是已知的。在此基础上,将多个微观状态进行合并,即文中所表述的粗粒化映射,可以得到相应的宏观状态,而微观动力学也被相应地粗粒化为宏观动力学。其中,微观动力学或因果机制是富含所有信息的,宏观动力学或因果机制是随附于(Supervene)微观因果机制的。因果涌现现象被描述为:粗粒化后的宏观动力学的因果效应高于微观动力学的因果效应。其中,[[因果效应的度量]]是使用[[有效信息]]这一指标完成的。这一指标被定义为干预下的[[互信息]],即将系统上一时刻的状态(即因变量)干预为均匀分布,然后计算上一时刻和下一时刻状态(即动力学的因变量和果变量)之间的[[互信息]]大小。这种定义反映了因与果状态被动力学即因果机制约束的强度,也就是因果效应的强度。通过这种干预操作,最终的有效信息仅仅是动力学即因果机制的函数,而与因变量的分布无关。
    
2017年,Erik Hoel在<ref name="hoel_2017">Hoel, E.P. When the map is better than the territory[J]. Entropy, 2017, 19(5), p.188.</ref>中引入了[[信息论]]中香农定义的“[[信道容量]]”(information channel capacity)这一概念,提出[[动力系统]]中也存在类似的“因果容量”(Causal Capacity)的这一概念。
 
2017年,Erik Hoel在<ref name="hoel_2017">Hoel, E.P. When the map is better than the territory[J]. Entropy, 2017, 19(5), p.188.</ref>中引入了[[信息论]]中香农定义的“[[信道容量]]”(information channel capacity)这一概念,提出[[动力系统]]中也存在类似的“因果容量”(Causal Capacity)的这一概念。