[論文レビュー] Integrated Information in Process Theories

Sean Tull, Johannes Kleiner|arXiv (Cornell University)|Feb 18, 2020

Bayesian Modeling and Causal Inference参考文献 20被引用数 9

ひとこと要約

本稿は、対称モノイダル圏を用いた、統合情報理論（IIT）のカテゴリカルな枠組みを導入し、古典的確率的および量子系を含む多様な物理理論にわたるIITの統一的で一般化された定式化を可能にする。コアなIITの概念—システム、統合、因果レパートリー—を図式的に表現することで、著者らはIIT 3.0および量子IIT（Zanardiら）がこの形式主義内での自然な特殊ケースとして現れることを示し、あらゆるプロセス理論における統合情報の研究の、厳密で構成的な基盤を提供する。

ABSTRACT

We demonstrate how the key notions of Tononi et al.'s Integrated Information Theory (IIT) can be studied within the simple graphical language of process theories, i.e. symmetric monoidal categories. This allows IIT to be generalised to a broad range of physical theories, including as a special case the Quantum IIT of Zanardi, Tomka and Venuti.

研究の動機と目的

• 統合情報理論（IIT）を古典的有限系にとどまらず、広範な物理理論へ一般化すること。
• 対称モノイダル圏の数学的言語を用いて、システム、統合、因果関係、レパートリーといった主要なIITの概念を形式化すること。
• IIT 3.0および量子IIT（Zanardi, Tomka, Venuti）が、この一般枠組みの自然なインスタンスとして現れることを示すこと。
• 数学的に厳密に統合情報の推論が行える、図式的で構成的な計算体系を提供すること。

提案手法

• 物理的システムとプロセスを、対称モノイダル圏内のモルフィズムとして表現し、直感的かつ形式的な推論のための図式的記法を用いる。
• システムを要素への分解を持つ対象として定義し、圏のテンソル構造を用いて並列的・逐次的合成をモデル化する。
• 因果および効果のレパートリーを、条件付き独立性公理を満たすプロセスとして形式化し、因果的解釈を保証する。
• 条件付き独立性を用いた「カット」進化を導入し、システムの分解をモデル化し、統合度を測定する。
• 因果構造とスカラー値確率を用いて、完全なシステムダイナミクスとカットされたシステムダイナミクスとの距離として統合情報（Φ）を定義する。
• この枠組みを適用して、IIT 3.0（古典的確率的プロセス）および量子IIT（量子プロセス）を回復し、ハイブリッド量子-古典的バージョンの概要を提示する。

実験結果

リサーチクエスチョン

• RQ1 カテゴリー理論を用いて、一般の物理理論におけるIITのコアな概念—統合、因果関係、システムの分解—をどのように形式化できるか。
• RQ2 対称モノイダル圏が意味のある統合情報の概念を支持するためには、どのような条件を満たす必要があるか。
• RQ3 IIT 3.0および量子IITが、統一されたカテゴリカルな枠組みの特殊ケースとしてどのように現れるか。
• RQ4 IITのアルゴリズムを、カテゴリカルな設定内でうまく定義され、ファンクター的な性質を有する形に再定式化できるか。
• RQ5 因果的および双因果的プロセスは、有効な因果-効果レパートリーの定義において果たす役割は何か。

主な発見

• この枠組みは、任意の対称モノイダル圏に一般化されたIITを成功裏に実現し、多様な物理理論における統合情報の研究を可能にする。
• IIT 3.0は、古典的確率的プロセスの理論の特殊ケースとして回復される。
• 量子IIT（Zanardi, Tomka, Venuti）は、量子プロセスに適用した際、この枠組みの自然なインスタンスであることが示された。
• 図式的記法により、システムの分解、カットされたダイナミクス、因果-効果レパートリーの明確で視覚的な表現が可能になる。
• ハイブリッド量子-古典的IIT（IIT(CStar)）が、同一の形式的枠組み内で量子的および古典的システムを統合する形で提唱された。
• 本アプローチは、ファンクター的IITおよび統合と因果性のより深いカテゴリカルな理解のための今後の研究の基盤を提供する。