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
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。
报名内容简介
报名内容简介
-
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
-
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
主持人介绍
[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
直播信息
直播信息
参与方式:
-
集智俱乐部 B 站免费直播,扫码可预约
-
-
文末扫码付费参加因果涌现读书会第二季可加入腾讯会议,可提问交流,加入群聊,获取回看地址及更多学习资料,成为因果涌现社区种子用户,与因果涌现社区的一线科研工作者沟通交流,共同推动因果涌现社区的发展
因果涌现读书会第二季招募中
跨尺度、跨层次的涌现是复杂系统研究的关键问题,生命起源和意识起源这两座仰之弥高的大山是其代表。而因果涌现理论、机器学习重整化技术、自指动力学等近年来新兴的理论与工具,有望破解复杂系统的涌现规律。同时,新兴的因果表示学习、量子因果等领域也将为因果涌现研究注入新鲜血液。
点击“阅读原文”,报名读书会