更改

假设有两个网络（如图2.1 所示），二者均包含约10 个社团结构（即紧密联系的子图）。其中，左侧网络的社团之间具有更紧密的连接，右侧网络社团之间的连接则较为稀疏。判断哪一网络更具整体性，可转化为考察哪一网络更易被切分为不连通的两半。显然左侧网络更易被拆分，因其社团之间存在较为 “脆弱” 连边，切断此类连边即可使网络分为两半。

假设有两个网络（如图2.1 所示），二者均包含约10 个社团结构（即紧密联系的子图）。其中，左侧网络的社团之间具有更紧密的连接，右侧网络社团之间的连接则较为稀疏。判断哪一网络更具整体性，可转化为考察哪一网络更易被切分为不连通的两半。显然左侧网络更易被拆分，因其社团之间存在较为 “脆弱” 连边，切断此类连边即可使网络分为两半。

对于一般网络，需先找到最薄弱的环节，即找出最少的几条边，切断这些边便能将网络分为不连通的两个子网络，可用这些 “脆弱” 连边的数量来度量网络的整体性，这一数量被称为 <math>\phi</math>。不过，这种判断并非绝对准确，因为评估网络时需遍历其所有子网络，在这些子网络中找到<math>\phi</math> 最大的那个子网络（在这里为了方便区分用<math>\phi</math>表示子网络的整合信息量，<math>\Phi</math>表示整体网络的整合信息量），并用该子网络的 <math>\phi</math>（即最 “薄弱” 环节的连边数）作为整个网络整体性的度量，这便是整个网络的 <math>\Phi</math>。但是图2.1中每个社团里的连接是相同的，区别在于社团之间的连接，所以即使遍历子网络左图子网络的 <math>\phi</math>值只会大于等于右图。

一般，要计算[math]\Phi[/math]，首先要计算[math]\phi[/math]二者的区别是，前者是对整体网络中遍历所有子网络，计算[math]\phi[/math]并得出最大的一个结果，也就是[math]\Phi=max_{all subnetwork}\phi[/math]。而[math]\phi[/math]则是在指定了一个子网络之后便可以计算的量，对于复杂网络的类比来说，要计算它，需先找到该子网络最薄弱的环节，即找出最少的几条边，切断这些边便能将子网络分为不连通的两个子网络，可用这些 “脆弱” 连边的数量来度量网络的整体性，这一数量被称为 <math>\phi</math>。

理解网络整合度的计算后，便可理解真正的整合度 <math>\Phi</math> 的计算。首先，将复杂网络替换为大脑构成的因果网络，其中节点可视为神经元，连边代表突触链接；其次，将连边理解为两个节点间的因果联系，其强弱对应因果联系的[[有效信息]]（即将系统二分后干预其中一个子系统的状态分布，其子系统之间的[[互信息]]，考察的是被切分的两个网络间的因果影响，具体可参见[[有效信息]]词条）。

不过，这种判断并非绝对准确，因为评估网络时需遍历其所有子网络，在这些子网络中找到<math>\phi</math> 最大的那个子网络（在这里为了方便区分用<math>\phi</math>表示子网络的整合信息量，<math>\Phi</math>表示整体网络的整合信息量），并用该子网络的 <math>\phi</math>（即最 “薄弱” 环节的连边数）作为整个网络整体性的度量，这便是整个网络的 <math>\Phi</math>。但是图2.1中每个社团里的连接是相同的，区别在于社团之间的连接，所以即使遍历子网络左图子网络的 <math>\phi</math>值只会大于等于右图。

 

综上，很显然，右侧网络更易被拆分，其<math>\Phi</math>值可能越小。一个因果网络的信息整合程度是所有子网络中因果瓶颈处的有效信息所能达到的最大值，而具有这一最大有效信息的子网络便是意识发生的区域。

== 意识程度的度量（Φ）计算框架 ==

== 意识程度的度量（Φ）计算框架 ==