從 MaxCal 到 IIT：用受限最大路徑變分連結自由能原理與整合資訊理論

要點速讀

研究提出把「資訊」視為系統實際動態與一組受限最大慣量（MaxCal）路徑集合之偏離，並由此建立從 MaxCal 到整合資訊理論（IIT）的數學橋樑。

研究核心

本文以變分原理為核心，主張在有限時間視窗內，資訊可用一個偏差量 ψ 描述：即實際軌跡相對於受限最大慣量路徑族的偏離。採用此定義後，IIT 3.0 中用來刻畫因果與效果的各種譜系（cause/effect repertoires）能夠直接從 MaxCal 的變分程序導出，換言之，其現象學演算可被受限熵極大化（CMEP）重新表述。

與主動推理的關聯

作者指出，CMEP 在 Langevin 型動力學下與主動推理呈現數學上的對偶性，這提供了一條有理路徑，將 IIT 與自由能原理（FEP）所使用的推理框架連結起來，也有助於把 IIT 推廣到更多動態規模或噪訊條件下的系統。

極限定理與模型驗證

在馬可夫鏈的中心極限定理與 Ising 模型的大偏差理論的脈絡中，論文示範 ψ 與對應預測編碼模型中的預測誤差等價。這類結果提示，在某些集體神經動態與適應過程中觀察到的 Φ 值走向，可能可由此類連結解釋。

意義與展望

整體上，這項工作把受限最大路徑變分、IIT 的因果結構與自由能/主動推理的計算架構以更嚴謹的數學語言銜接起來，為後續在更複雜動力學或熱力學導向的認知模型上測試與延伸提供理論基礎。未來可沿此方向探索更多動態環境與雜訊條件下的比較與實驗對應。

延伸閱讀

• 量子啟發演化優化（QIEO）：以全域機率搜索突破非凸稀疏與魯棒回歸困境
• Q-Patch 在小樣本中以量子核與時頻貼片提升音訊深偽辨識
• 在商用 QPU 上部署 Cayley 單位元適配器（CUA）：架構、電路轉譯與語言任務評測

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。