更改

=简介=

=简介=

[[因果涌现]]（causal emergence）是指动力系统中的一类特殊的[[涌现]]现象，即系统在宏观尺度会展现出更强的因果特性。特别的，对于一类[[马尔科夫动力系统]]来说，在对其状态空间进行适当的[[粗粒化]]以后，所形成的宏观动力学会展现出比微观更强的因果特性，那么称该系统发生了因果涌现<ref name=":0">Hoel E P, Albantakis L, Tononi G. Quantifying causal emergence shows that macro can beat micro[J]. Proceedings of the National Academy of Sciences, 2013, 110(49): 19790-19795.</ref><ref name=":1">Hoel E P. When the map is better than the territory[J]. Entropy, 2017, 19(5): 188.</ref>。2013年，Hoel等人<ref name=":0"></ref>最早提出了因果涌现理论，该理论利用因果效应度量来量化复杂系统中的涌现现象，该方法使用[[有效信息]]（Effective Information，简称EI）来量化系统动力学的因果性强弱。此外，2020年，Rosas等<ref name=":rosas">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[[信息论|信息理论]]视角出发，提出一种基于信息分解方法来定义系统中的因果涌现，基于协同信息或者冗余信息来定量的刻画涌现。2023年，Barnett等人<ref name=":seth">Barnett L, Seth AK. Dynamical independence: discovering emergent macroscopic processes in complex dynamical systems. Physical Review E. 2023 Jul;108(1):014304.</ref>基于[[转移熵]]，通过判断宏观动力学与微观动力学进行解耦来判断涌现的发生，将涌现刻画为，宏观的变量与微观的变量相互独立，没有因果关系，这也可以看做是一种因果涌现现象。

[[因果涌现]]（causal emergence）是指动力系统中的一类特殊的[[涌现]]现象，即系统在宏观尺度会展现出更强的因果特性。特别的，对于一类[[马尔科夫动力系统]]来说，在对其状态空间进行适当的[[粗粒化]]以后，所形成的宏观动力学会展现出比微观更强的因果特性，那么称该系统发生了因果涌现<ref name=":0">Hoel E P, Albantakis L, Tononi G. Quantifying causal emergence shows that macro can beat micro[J]. Proceedings of the National Academy of Sciences, 2013, 110(49): 19790-19795.</ref><ref name=":1">Hoel E P. When the map is better than the territory[J]. Entropy, 2017, 19(5): 188.</ref>。2013年，Hoel等人<ref name=":0"></ref>最早提出了因果涌现理论，该理论利用[[有效信息]]（Effective Information，简称EI）来度量一个动力学的[[因果效应]]，并用这一度量来量化复杂系统中的涌现现象。2020年，Rosas等<ref name=":rosas">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>又从[[信息论|信息理论]]视角出发，提出一种基于[[信息分解]]方法的[[Rosas的因果涌现理论|因果涌现理论]]，该理论用[[协同信息]]或者[[冗余信息]]来定量刻画涌现。2023年，Barnett等人<ref name=":seth">Barnett L, Seth AK. Dynamical independence: discovering emergent macroscopic processes in complex dynamical systems. Physical Review E. 2023 Jul;108(1):014304.</ref>基于[[转移熵]]，通过判断宏观动力学与微观动力学的解耦程度来判断涌现的发生，将因果涌现刻画为宏观的变量与微观的变量相互独立的现象。

然而，现有的因果涌现理论存在着一定的局限性。例如，基于[[有效信息]]的因果涌现理论是一个依赖于粗粒化方案的理论，不同的粗粒化策略会得到完全不同的因果涌现判断。尽管这一局限可以通过最大化有效信息<ref name=":maxEI">Mingzhe Yang, Zhipeng Wang, Kaiwei Liu, et al. Finding emergence in data by maximizing effective information. National Science Review, 2024, nwae279</ref>选取粗粒化策略得到一定程度的解决，但是该优化问题还是很难求解。Rosas等人提出了用协同信息量化涌现的方法<ref name=":rosas" />，但是这种计算涉及到多个变量的所有组合，因而计算量会呈现指数增长。Rosas进一步提出了近似计算方案，但是该方与Erik Hoel的因果涌现理论一样，需要事先指定粗粒化方案及其涌现变量<ref name=":rosas" />。同样地，Seth等人的量化涌现理论也需要在粗粒化方案给定的情况下展开讨论<ref name=":seth"/>。对于粗粒化方案的过分依赖会使得这些量化涌现理论在不同程度上依赖于观察者的粗粒化策略，因而带有一定的主观色彩。那么，是否存在着一种不依赖于粗粒化方案的因果涌现理论呢？

然而，现有的[[因果涌现]]理论存在着一定的局限性。例如，基于[[有效信息的因果涌现理论]]是一个依赖于粗粒化方案的理论，不同的粗粒化策略会得到完全不同的因果涌现判断结果。尽管这一局限可以通过最大化有效信息<ref name=":maxEI">Mingzhe Yang, Zhipeng Wang, Kaiwei Liu, et al. Finding emergence in data by maximizing effective information. National Science Review, 2024, nwae279</ref>选取粗粒化策略得到一定程度的解决，但是该优化问题还是很难求解。Rosas等人提出了用[[协同信息]]量化涌现的方法<ref name=":rosas" />，但是这种计算涉及到多个变量的所有组合，因而计算量会随着变量数的增加而呈现指数增长。Rosas进一步提出了近似计算方案，但是该方法与Erik Hoel的因果涌现理论一样，需要事先指定粗粒化方案及其涌现变量<ref name=":rosas" />。同样地，Seth等人更早提出的用[[格兰杰因果]]量化涌现理论也需要在粗粒化方案给定的情况下展开讨论<ref name=":seth"/>。对于粗粒化方案的过分依赖会使得这些量化涌现理论在不同程度上依赖于观察者的粗粒化策略，因而带有一定的主观色彩。那么，是否存在着一种不依赖于粗粒化方案的因果涌现理论呢？

2024年，[[张江]]等人<ref name=":22">Zhang J, Tao R, Yuan B. Dynamical Reversibility and A New Theory of Causal Emergence. arXiv preprint arXiv:2402.15054. 2024 Feb 23.</ref>基于奇异值分解，提出了一套新的因果涌现理论。该理论的核心思想是指出所谓的因果涌现其实等价于动力学可逆性的涌现。给定一个系统的马尔科夫转移矩阵，通过对它进行奇异值分解，将奇异值的<math>\alpha</math>次方的和定义为马尔科夫动力学的可逆性度量（<math>\Gamma_{\alpha}\equiv \sum_{i=1}^N\sigma_i^{\alpha}</math>），这里[math]\sigma_i[/math]为奇异值。该指标与[[有效信息]]具有高度的相关性，也可以用于刻画动力学的因果效应强度。根据奇异值的谱，该方法可以在不显式定义粗粒化方案的条件下，直接定义所谓'''清晰涌现'''（clear emergence）和'''模糊涌现'''（vague emergence）的概念。

2024年，[[张江]]等人<ref name=":22">Zhang J, Tao R, Yuan B. Dynamical Reversibility and A New Theory of Causal Emergence. arXiv preprint arXiv:2402.15054. 2024 Feb 23.</ref>基于[[奇异值分解]]，提出了一套新的因果涌现理论。该理论的核心思想是指出所谓的因果涌现其实等价于动力学可逆性的涌现。给定一个系统的马尔科夫转移矩阵，通过对它进行奇异值分解，将奇异值的<math>\alpha</math>次方之和定义为马尔科夫动力学的近似可逆性度量（<math>\Gamma_{\alpha}\equiv \sum_{i=1}^N\sigma_i^{\alpha}</math>），这里[math]\sigma_i[/math]为奇异值。该指标与[[有效信息]]具有高度的相关性，也可以用于刻画动力学的因果效应强度。根据奇异值的谱，该方法可以在不显式定义粗粒化方案的条件下，直接定义所谓'''清晰因果涌现'''（clear causal emergence）和'''模糊因果涌现'''（vague causal emergence）的概念。

=基本概念=

=基本概念=