宏观态理论如何帮助我们设计复杂系统？｜周日直播·因果涌现读书会

导语

通常来说，人们会将复杂系统拆解成中等尺度的子结构，进而方便研究。这些子结构，就对应了一系列宏观态。可以说，要理解涌现，宏观态是其中的核心问题。从因果态理论（causal state theory）到因果涌现理论（causal emergence theory），我们对宏观态的理解也从结构本身逐渐转向了关系。本次分享是对近日在arXiv公开的一篇论文《A Relational Macrostate Theory Guides Artificial Intelligence to Learn Macro and Design Micro》的解读。里面提出的「关系主义宏观态理论」（relational macrostate theory）将宏观态的定义拓展到了任意关系。结合可逆神经网络的应用，不光可以找到复杂系统的宏观态，还可以利用宏观态来设计复杂系统的参数。

因果涌现读书会第二季主要围绕追根溯源、因果涌现、因果表示学习、机器学习多尺度自动建模、量子因果五大主题来探寻涌现、因果科学和机器学习这三大主题之间的联系。自2022年5月22日开始，每周日晚上19:00-21:00举办，持续时间预计14-16周。欢迎对本话题感兴趣的朋友报名参加！对本期话题感兴趣可以点击预约链接进行预约：

跟读书会主题之间的关系

与读书会之间的关系：因果涌现理论从时间先后的维度定义了宏观态，而我们进一步拓展了因果涌现的理论，使得我们可以用宏观态来设计复杂系统。甚至在一些「more is different」的情形下，我们仍然能找到「少」和「多」之间的关联；态动力学中学习粗粒化的宏观状态动力学，是一种多尺度的动力学学习。

与复杂系统之间的关系：复杂系统以其大规模、非线性的特征，产生了涌现现象。传统上，要理解这类系统，通常会人为地对系统进行简化。而这种简化，就是在寻找宏观态。我们的理论试图找到宏观态背后的一般性定义，并用神经网络寻找复杂系统的宏观态。

报名内容简介

复杂系统由于其大规模、非线性的特性，会产生「涌现」现象——即基本规则、定律的对称性无法在整体上体现出来。例如，生物是由原子组成的，原子级别的物理规律通常具有平移、旋转对称性，而在生物的尺度却没有这些对称性。为了理解复杂系统，我们就需要跨过涌现的鸿沟。通常来说，人们会将复杂系统拆解成中等尺度的子结构，进而方便研究。这些子结构，就对应了一系列宏观态。可以说，要理解涌现，宏观态是其中的核心问题。从因果态理论（causal state theory）到因果涌现理论（causal emergence theory），我们对宏观态的理解也从结构本身逐渐转向了关系。我们近日公布的「关系主义宏观态理论」（relational macrostate theory）就更进一步，将宏观态的定义拓展到了任意关系。结合可逆神经网络的应用，我们不光可以找到复杂系统的宏观态，还可以利用宏观态来设计复杂系统的参数。

【大纲】

如何理解复杂系统？

拆解、抽象
宏观态是理解复杂系统的核心
宏观态研究的三个维度：定义、尺度、可解释
从结构走向关系：因果态与因果涌现

关系主义宏观态理论

为何从关系入手？
关系：微观关系、微观-宏观关系、宏观关系
如何定义宏观态？
从宏观回到微观

用机器学习寻找宏观态

从定义到实践
可逆神经网络

验证性实验

线性动力系统
简谐振子

设计复杂系统：图灵斑图
未来的计划

多尺度宏观态理论
可解释的宏观态

【主要涉及到的知识概念】

宏观态 macrostate

微观态 microstate

关系主义 relationalism

人工神经网络 artificial neural network

可逆神经网络 invertible neural networks

互信息 mutual information

主持人介绍

章彦博，毕业于中国科学技术大学物理学院。现为亚利桑那州立大学博士生，研究方向包括复杂系统与机器学习。

参考文献

[1]Zhang, Y., & Walker, S. I. (2022). A Relational Macrostate Theory Guides Artificial Intelligence to Learn Macro and Design Micro (arXiv:2210.07374). arXiv. http://arxiv.org/abs/2210.07374