Quantifying Spacetime Integration across a Partition with Synergy

1. Problemstellung

Das Paper adressiert ein zentrales mathematisches Problem innerhalb der Information Integration Theory (IIT) des Bewusstseins, speziell in ihrer aktuellen Version IIT4. IIT postuliert, dass Bewusstsein mit dem Grad der integrierten Information ($\Phi$) eines Systems korreliert. Ein kritischer Aspekt ist die Quantifizierung der Integration über eine Partition hinweg (d.h. wie stark ein System als Ganzes wirkt, wenn es in Teile zerlegt wird).

Die aktuellen IIT-Maßnahmen ($\phi$) weisen jedoch mehrere Mängel auf:

• Kludgige Randbedingungen: Die aktuellen Maße benötigen manuelle Korrekturen (z. B. das Setzen negativer Werte auf Null oder das Begrenzen auf intrinsische Information), um innerhalb intuitiver Grenzen zu bleiben.
• Fehlende Kohärenz mit Komplexität: In deterministischen Systemen (z. B. „GET-GET"-Systemen, bei denen Knoten ihre Zustände einfach kopieren) liefern aktuelle IIT-Maße oft hohe Integrationswerte, obwohl diese Systeme intuitiv keine komplexe Integration oder Bewusstsein aufweisen sollten.
• Diskontinuität in Zeit und Raum: Die Behandlung von Vergangenheit (Apriori) und Zukunft (Zukunft) sowie die räumliche Partitionierung erfolgen oft getrennt, was eine holistische Betrachtung der Raum-Zeit-Struktur erschwert.

Das Ziel des Papers ist es, alternative Maße für die Integration vorzustellen, die auf dem Konzept der Synergie (aus dem Rahmenwerk der Partial Information Decomposition, PID) basieren, und diese mit der aktuellen IIT-Praxis zu vergleichen.

2. Methodik

Der Autor führt vier neue Maße für die Integration ein, die auf dem Konzept der synergetischen Information basieren. Im Gegensatz zu IIT4, das spezifische „maximale Ursache-Wirkungs-Zustände" ($a', z'$) extrahiert, betrachtet die Synergie die gesamte Verteilung der Vergangenheit ($A$) und Zukunft ($Z$), während der aktuelle Zustand ($s$) als ungeteilte Einheit („unitary present") behandelt wird.

Die Methodik stützt sich auf folgende Konzepte:

• Synergie ($S$): Die Information, die irreduzibel ist und nur durch die gemeinsame Betrachtung mehrerer Variablen gewonnen werden kann. Sie wird definiert als die Differenz zwischen der gesamten gegenseitigen Information und der „Union"-Information (die Information, die durch die Vereinigung der einzelnen Teile erklärt werden kann).
• Intrinsische Differenz (ID): Da IIT4 die Shannon-Entropie durch die „Intrinsic Difference" ersetzt hat, passt der Autor die Synergie-Formel an, um den Synergetischen Intrinsischen Unterschied (SID) zu berechnen.
• Partitionierung: Die Partition $\theta$ wird auf die Verteilungen von $A$ und $Z$ angewendet, nicht auf den aktuellen Zustand $s$.

Es werden vier spezifische Maße vorgeschlagen:

1. $\phi^{S1}_s$: Eine direkte Entsprechung zu IIT4. Sie berechnet die Synergie für Vergangenheit und Zukunft separat und nimmt das Minimum ($\min(\phi_c, \phi_e)$).
2. $\phi^{S2}_s$ (Totaler Integrativer Kleber): Berechnet die Synergie über alle Quellen ($A_1...A_k, Z_1...Z_k$) hinweg. Dies behandelt Raum und Zeit als vollständig austauschbar (ST-interchangeable).
3. $\phi^{S3}_s$ (Disjunkte Teile über die Zeit): Gruppiert Vergangenheit und Zukunft für jeden räumlichen Teil zu einem gemeinsamen Prädiktor ($A_i Z_i$). Dies erhält die Zeit-Symmetrie, behandelt aber Raum und Zeit unterschiedlich.
4. $\phi^{S4}_s$ (Raum-Zeit-Einheit): Die strengste Form. Sie berechnet die Synergie über alle Teilmengen der Quellen hinweg. Sie quantifiziert, wie stark die Teile eine unitäre Ganzheit bilden, die irreduzibel zu jeder Teilmenge ist.

Zusätzlich wird die Frage der Minimum Information Partition (MIP) neu betrachtet. Der Autor schlägt vor, dass bei Synergie-Maßen die Normalisierung möglicherweise nicht nötig ist und die Suche nach der MIP auf Bipartitionen beschränkt werden könnte, was den Algorithmus von $O(n!)$ auf $O(2^n)$ beschleunigt.

3. Wichtige Ergebnisse

Die Autoren vergleichen ihre neuen Maße mit den IIT-Maßen (IIT2, IIT3, IIT4 und eine 2025er Version) an einfachen deterministischen Netzwerken (Doublets und Triplets).

• Verhalten bei deterministischen Systemen (GET-GET):
  • IIT4: Bewertet Systeme wie „GET-GET" (wo zwei Knoten nur ihre Zustände spiegeln) als hoch integriert.
  • Synergie-Maße ($\phi^{S1}_s$): Bewerten diese Systeme korrekt als nicht integriert (Wert = 0), da es keinen Ort gibt, an dem Informationen „zusammenkommen" (keine echte Synergie). Dies wird als intuitiv korrekter angesehen, da ein solches System kein komplexes Bewusstsein tragen sollte.
• Komplexitätsordnung:
  • Die Synergie-Maße ordnen Systeme intuitiver nach Komplexität. Systeme mit höherer Diversität und Interdependenz (z. B. AND-XOR) erhalten höhere Werte als reine Kopiersysteme (GET-GET).
  • IIT4 zeigt hier oft das umgekehrte oder unintuitive Verhalten.
• Grenzwerte (Bounds):
  • Die Synergie-Maße sind natürlich durch die gesamte verfügbare Information (z. B. $ID[A \to S]$) nach oben begrenzt.
  • Ältere IIT-Maße ($\phi_{2014}, \phi_{2023}$) können diese Grenzen überschreiten, was mathematisch problematisch ist und manuelle Korrekturen erfordert.
• Deterministische Systeme:
  • Das strengste Maß $\phi^{S4}_s$ liefert für rein deterministische Systeme immer 0, was mit der aktuellen IIT-Tendenz übereinstimmt, solchen Systemen kein Bewusstsein zuzuschreiben.

4. Signifikanz und Implikationen

Das Paper hat weitreichende Bedeutung für die Weiterentwicklung der IIT und der Komplexitätstheorie:

• Theoretische Stabilität: Die Einführung der Synergie als Operationalisierung der Integration löst viele der „Kludg"-Probleme (manuelle Grenzwertkorrekturen) der aktuellen IIT. Sie bietet eine mathematisch sauberere Basis.
• Flexibilität: Die vier vorgeschlagenen Maße ($\phi^{S1}$ bis $\phi^{S4}$) bieten IIT-Forschern die Wahl zwischen verschiedenen Definitionen von Integration (von „minimal disruptiv" bis „streng unitär").
• Unabhängigkeit von Bewusstsein: Selbst wenn IIT als Theorie des Bewusstseins fehlschlägt, bleiben diese Synergie-Maße als nützliche Werkzeuge zur Messung von Komplexität in diskreten dynamischen Systemen erhalten.
• Recheneffizienz: Die Diskussion über die MIP-Suche deutet darauf hin, dass Synergie-basierte Ansätze die Berechnungskosten drastisch senken könnten (von $O(n!)$ auf $O(2^n)$ oder weniger), falls die Normalisierung weggelassen oder die Partitionierung eingeschränkt wird.
• Zukunftsperspektiven: Der Rahmen der Synergie lässt sich natürlicher auf Quanteninformationstheorie und algorithmische Informationstheorie erweitern als das aktuelle IIT-Modell.

Fazit: Der Autor argumentiert, dass die Umformulierung der Integration als Synergie eine signifikante Verbesserung für IIT darstellt, die die Theorie mit der etablierten Literatur zur Informations- und Komplexitätstheorie besser verknüpft, ohne die grundlegenden Axiome von IIT zu verletzen. Die vorgeschlagenen Maße bieten eine robustere, intuitivere und mathematisch elegantere Grundlage für die Quantifizierung von Bewusstsein und Komplexität.