[论文解读] 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 9

一句话总结

本文提出了一种基于对称张量范畴的整合信息理论（IIT）范畴框架，实现了对经典概率系统与量子系统等不同物理理论中IIT的统一、广义化表述。通过图示化方式表达IIT的核心概念（如系统、整合性、因果谱系），作者表明IIT 3.0与量子IIT（Zanardi等）自然地成为该形式体系中的特例，为在任意过程理论中研究整合信息提供了严谨且可组合的基础。

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.

研究动机与目标

• 将整合信息理论（IIT）从经典有限系统推广至一类广泛的物理理论。
• 在对称张量范畴的数学语言中形式化IIT的关键概念——系统、整合性、因果关系与谱系。
• 证明IIT 3.0与量子IIT（Zanardi, Tomka, Venuti）作为该统一范畴框架下的自然实例出现。
• 提供一种图示化、可组合的演算方法，以数学上严谨的方式推理整合信息。

提出的方法

• 将物理系统与过程表示为对称张量范畴中的态射，利用图形演算实现直观且形式化的推理。
• 将系统定义为可分解为元素的对象，并利用范畴的张量结构建模并行与串行组合。
• 通过满足条件独立性公理的过程来形式化因果与效应谱系，确保其因果解释的合理性。
• 通过条件独立性引入“切割”演化，以建模系统分解并度量整合性。
• 通过全系统与切割系统动力学之间的距离定义整合信息（Φ），利用因果结构与标量概率。
• 将该框架应用于恢复IIT 3.0（经典概率过程）与量子IIT（量子过程），并简要提出一种混合量子-经典版本。

实验结果

研究问题

• RQ1 如何利用范畴论在一般物理理论中形式化IIT的核心概念——整合性、因果关系与系统分解？
• RQ2 对称张量范畴需满足何种条件，才能支持有意义的整合信息概念？
• RQ3 IIT 3.0与量子IIT如何作为统一范畴框架下的特例自然出现？
• RQ4 IIT算法能否以在范畴设定下具有良好定义且函子化的方式重新表述？
• RQ5 因果过程与共因果过程在定义有效因果-效应谱系中扮演何种角色？

主要发现

• 该框架成功将IIT推广至任意对称张量范畴，使得在多种物理理论中研究整合信息成为可能。
• IIT 3.0被恢复为经典概率过程理论的特例。
• 当应用于量子过程时，量子IIT（Zanardi, Tomka, Venuti）被证明是该框架下的自然实例。
• 图示化演算提供了系统分解、切割动力学与因果-效应谱系的清晰、可视化表达。
• 提出了一种混合量子-经典IIT（记为IIT(CStar)），在统一形式体系中融合了量子与经典系统。
• 该方法为未来研究函子化IIT及对整合性与因果关系的更深层次范畴理解奠定了基础。