🤖 machine learning

Reconciling Causality and Non-Equilibrium Thermodynamics with Hamiltonian Causal Models

Dit artikel introduceert Hamiltonian Causal Models (HCM's), een framework op trajectniveau dat statistische causale modellering verzoent met niet-evenwichtsthermodynamica door causale effecten te definiëren via interventie-gecontroleerde Hamiltonian-mechanismen en entropieproductie te gebruiken om irreversibiliteit en causale invloed in niet-stationaire fysische systemen te kwantificeren.

Oorspronkelijke auteurs: Dario Rancati, Max Welling, Francesco Locatello

Gepubliceerd 2026-06-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Dario Rancati, Max Welling, Francesco Locatello

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een film bekijkt van een fysisch systeem, zoals een druppel inkt die zich in water verspreidt of een slinger die zwaait. Standaard manieren om oorzaak en gevolg (causaliteit) te bestuderen, kijken meestal naar de "voor" en "na" momentopnames. Ze vragen: "Als ik het startpunt verander, verandert het eindpunt dan?"

Maar de auteurs van dit artikel beweren dat voor fysische systemen deze "momentopname"-aanpak het belangrijkste deel van het verhaal mist: de reis zelf.

Hier is een eenvoudige uiteenzetting van hun nieuwe idee, Hamiltoniaanse Causale Modellen (HCM's), met alledaagse analogieën.

1. Het Probleem: De "Momentopname" versus de "Film"

In standaard causale modellen behandelen we oorzaak en gevolg vaak als een schakelaar: je drukt hem in en er gebeurt iets. Maar in de echte fysieke wereld vinden oorzaken vaak plaats over een bepaalde tijd.

De Analogie: Stel je voor dat je een kind op een schommel duwt.
- Standaard Visie: Je kijkt naar waar het kind is aan het begin en waar het kind is aan het einde. Als je ze anders duwt maar ze eindigen op dezelfde plek, zouden standaard modellen zeggen: "Geen verschil!"
- De Realiteit: De manier waarop je ze duwde, maakte uit. Misschien gaf je één lange, vloeiende duw, en een andere korte, schokkerige duw. Zelfs als ze op dezelfde plek eindigen, was de route die ze aflegden totaal anders. Het kind voelde verschillende krachten, en de luchtweerstand (wrijving) werkte ook anders tijdens de reis.

De auteurs zeggen dat we een model nodig hebben dat de hele film bekijkt, niet alleen de begin- en eindframes.

2. De Oplossing: Het "Energie-Blauwdruk" (Hamiltoniaanse Modellen)

De auteurs introduceren een raamwerk genaamd Hamiltoniaanse Causale Modellen. Denk aan een "Hamiltoniaan" als de energie-blauwdruk van een systeem. Het is een wiskundig regelboek dat beschrijft hoe energie wordt opgeslagen en hoe het tussen de onderdelen van een systeem beweegt.

De Analogie: Stel je een complexe Rube Goldberg-machine voor.
- De Blauwdruk (Hamiltoniaan) beschrijft precies hoe de dominostenen, hendels en ballen met elkaar verbonden zijn en hoeveel energie er in elk deel zit.
- De Bewegingsregels: De natuurwetten (zoals zwaartekracht) zijn de "onveranderlijke regels" die nooit veranderen.
- De Interventie: Een interventie is als een menselijke hand die inbreekt om de blauwdruk aan te passen. Je draait misschien een veer strakker aan of verandert de hoek van een helling. Je verandert niet de wetten van de zwaartekracht; je verandert de opstelling (het mechanisme) waar de zwaartekracht op inwerkt.

In dit model wordt een "oorzaak" gedefinieerd door hoe het veranderen van de blauwdruk de gehele route die het systeem door de tijd aflegt, verandert.

3. Het Geheime Ingrediënt: De "Thermodynamische Vingerafdruk"

Het meest opwindende deel van het artikel is hoe ze deze oorzaken detecteren. Ze gebruiken een concept uit de natuurkunde genaamd Entropieproductie.

De Analogie: Denk aan Entropie als een maatstaf voor "rommeligheid" of "onomkeerbaarheid".
- Als je een film ziet van een brekend glas, ziet het er echt uit. Als je het achteruit afspeelt (glasstukjes die omhoog vliegen om weer in elkaar te zetten), ziet het er onmogelijk uit. Dat gevoel van "dit kan niet achteruit gaan" is entropie.
- De Vingerafdruk: Wanneer je ingrijpt in een systeem (zoals het duwen van die schommel), creëer je een specifieke "thermodynamische voetafdruk". Het systeem genereert warmte en wrijving op een manier die uniek is voor hoe je hebt geduwd.

De auteurs ontdekten dat Entropieproductie fungeert als een supergevoelige detector voor causaliteit.

Waarom het bijzonder is: Standaard metingen zouden kunnen zeggen: "De schommel eindigde op dezelfde plek, dus de duw was hetzelfde." Maar de Entropieproductie zal zeggen: "Nee! De eerste duw veroorzaakte veel warmte en lawaai (hoge entropie), terwijl de tweede duw vloeiend was (lage entropie). Daarom waren de oorzaken verschillend!"

Het kan causale effecten detecteren die onzichtbaar zijn voor standaard methoden, omdat het kijkt naar de onomkeerbaarheid van het pad, en niet alleen naar het eindresultaat.

4. De Les van "Maxwell's Demon"

Het artikel raakt ook aan een beroemd gedachte-experiment met een "demon" die deeltjes sorteert om de entropie te verminderen. De auteurs gebruiken dit om uit te leggen dat interventies niet gratis zijn.

De Analogie: Als je een systeem wilt controleren (zoals een thermostaat), moet je informatie verzamelen en energie gebruiken om dat te doen. Het artikel betoogt dat om causaliteit echt te begrijpen, je de "kosten" van de interventie zelf moet meenemen. De "demon" (de controller) is onderdeel van het systeem, en zijn acties laten een thermodynamisch spoor achter dat bewijst dat er een causale link bestaat.

5. Wat Ze Eigenlijk Hebben Bewezen (De Resultaten)

De auteurs hebben niet alleen theoretiseerden; ze hebben het getest met computersimulaties:

Verborgen Verschillen Detecteren: Ze creëerden scenario's waarin twee verschillende controlemethoden tot exact hetzelfde eindresultaat leidden. Standaard instrumenten zeiden: "Geen causaal verschil." Hun nieuwe instrument (Entropieproductie) zei correct: "Dit zijn totaal verschillende oorzaken!"
De Verbindingen in Kaart Brengen: In complexe, lusvormige systemen (waar A invloed heeft op B, en B invloed heeft op A), lieten ze zien dat door te meten hoeveel "entropie" een specifiek deel van het systeem produceert wanneer het wordt aangestoten, ze precies konden achterhalen welke delen met elkaar verbonden waren. Het is alsof je uitfigureert wie met wie praat in een drukke kamer, simpelweg door te luisteren naar het lawaai dat ze maken.

Samenvatting

Dit artikel stelt een nieuwe manier voor om oorzaak en gevolg in fysische systemen te begrijpen door:

De gehele reis (traject) te bekijken in plaats van alleen het begin en het eind.
Energie-blauwdrukken te gebruiken om de onveranderlijke natuurwetten te scheiden van de zaken die we kunnen controleren.
Entropieproductie (de warmte en rommeligheid die wordt gegenereerd) te gebruiken als een "vingerafdruk" om te bewijzen dat er daadwerkelijk een oorzaak heeft plaatsgevonden, zelfs als het eindresultaat hetzelfde lijkt.

Het overbrugt de kloof tussen de statistische wereld van "data" en de fysieke wereld van "thermodynamica", en biedt een instrument om causale verbanden te zien die voorheen onzichtbaar waren.

Technisch Samenvatting: Verzoening van Causaliteit en Niet-Equilibrium Thermodynamica met Hamiltoniaanse Causale Modellen

Probleemstelling

Standaard statistische causale modellen (bijv. Structurele Causale Modellen, potentiële uitkomsten) kampen met aanzienlijke uitdagingen wanneer ze worden toegepast op fysieke temporele verschijnselen. Deze kaders hebben moeite om de volgende zaken inherent te accommoderen:

Traject-niveau interventies: Interventies die werken als tijd-afhankelijke controles langs het pad van een systeem in plaats van statische toewijzingen.
Niet-stationariteit: Geïnduceerde wetten die in de loop van de tijd veranderen.
Pad-afhankelijkheid: Causale effecten die afhangen van de specifieke geschiedenis van het systeem, niet alleen van eindtoestanden.
Feedback en Cycli: Cyclische afhankelijkheden die dynamisch door de tijd ontvouwen.

Bovendien bestaat er een conceptuele kloof tussen statistische causaliteit en fysieke causaliteit. In de natuurkunde is causale richting gekoppeld aan de thermodynamische pijl van de tijd (irreversibiliteit), terwijl standaard causale modellen vaak tijd-omkeersymmetrische wetten als compatibel met causale asymmetrie behandten. Bestaande kaders vereisen ad-hoc constructies om deze fysieke realiteiten te hanteren, waardoor ze er niet in slagen onderscheid te maken tussen onveranderlijke bewegingsvergelijkingen en interveneerbare mechanismen.

Methodologie: Hamiltoniaanse Causale Modellen (HCM's)

De auteurs introduceren Hamiltoniaanse Causale Modellen (HCM's), een raamwerk op traject-niveau waarbij geobserveerde variabelen interageren met lokale, niet-geobserveerde thermische omgevingen (baden).

Kerndefinities

Systeemstructuur: Een HCM is gedefinieerd op een symplectische variëteit $\Gamma = \Gamma_X \times \Gamma_E$ , waarbij $X$ de geobserveerde variabelen vertegenwoordigt en $E$ de niet-geobserveerde baden.
Hamiltoniaanse Decompositie: Het systeem evolueert via een Hamiltoniaan $H(z, \lambda)$ $H (z, λ)$ die deconstrueert in:
- Intrinsieke potentialen ( $H_{self}$ ).
- Koppelingen met causale ouders ( $H_{mech}$ ).
- Koppelingen met lokale baden ( $H_{bath}$ ).
- Vrije omgevingdynamica ( $H_E$ ).
  Deze decompositie vervult de rol van de Causale Markov-factorisatie in klassieke Structurele Causale Modellen (SCM's).
Interventies: Interventies worden gemodelleerd als tijd-afhankelijke beleidsregels $\lambda(t)$ die de Hamiltoniaan-functie modificeren (specifiek de mechanismen $H_{mech}$ en $H_{bath}$ ) maar de onderliggende bewegingsvergelijkingen (de symplectische structuur) niet veranderen. Dit scheidt interveneerbare mechanismen van onveranderlijke fysische wetten.
Causaal Effect: Gedefinieerd als een discrepantie tussen de padwetten van een variabele onder verschillende interventiebeleidsregels. In tegen tegenstelling tot standaard Average Treatment Effects (ATE), die vaak focussen op enkelvoudige tijdstippen of cumulatieve sommen, definiëren HCM's causale effecten over de gehele trajectruimte.

Thermodynamische Integratie

Het raamwerk maakt gebruik van niet-equilibrium thermodynamica om causale invloed te kwantificeren:

Arbeid (Work): De energie die door een interventie wordt verricht. De auteurs tonen aan dat werkrates kunnen identificeren welke variabelen deelnemen aan een lokaal mechanisme (grafische ouderschap), mits de Hamiltoniaan bekend is.
Entropieproductie ( $\Sigma$ ): Een padruimte-grootheid die de irreversibiliteit van een proces meet door de voorwaartse padwet te vergelijken met de tijd-omgekeerde tegenhanger.
- Geprojecteerde Lokale Entropieproductie: Een grootheid die schatbaar is vanuit de marginale trajectorie van een enkele knoop, dienend als een getuige voor causale effecten.
- Lokale Entropieproductie-rate: Een verfijnde metriek voor gecontroleerde Langevin-diffusies die, wanneer onderworpen aan infinitesimale "rechts-lokale" interventies, directe ouders kan onderscheiden van indirecte voorouders.

Belangrijkste Bijdragen

Formeel Raamwerk: De introductie van HCM's, die gecontroleerde Hamiltoniaanse systemen verenigt met causale modellering, waardoor een natuurlijke beschrijving mogelijk is van tijd-afhankelijke, adaptieve en cyclische interventies.
Thermodynamische Causale Observabelen:
- Demonstratie dat werkrates grafische ouders identificeren wanneer de Hamiltoniaan bekend is.
- Bewijs dat geprojecteerde entropieproductie fungeert als een getuige voor causale effecten, waarbij pad-niveau discrepanties worden gedetecteerd die onzichtbaar zijn voor standaard eindpunt- of cumulatieve ATE's.
- Afleiding van een lokale entropieproductie-respons-criterium (Stelling 3.9) dat directe ouderstructuren identificeert in cyclische, niet-stationaire Langevin-systemen via infinitesimale interventies.
Theoretische Unificatie: Het aantonen dat HCM's klassieke SCM's en cyclische generalisaties herstellen (via de limiet van grote badgrootte en kleine inertieparameters), terwijl ze zich natuurlijk uitbreiden naar niet-equilibrium regimes.

Experimentele Resultaten

De auteurs valideren de theorie via twee sets experimenten:

Validatie van Pad-niveau Causale Detectie (Propositie 3.7):
- Setting A (Zelfde Eindpunten): Een lineaire keten van oscillatoren die door twee protocollen worden aangestuurd die hetzelfde eindtoestand bereiken via verschillende paden. Standaard eindpunt ATE is per ontwerp nul.
- Setting B (Omgekeerde Tijd): Een systeem met een verborgen mediator die pulsen in omgekeerde volgorde ontvangt. Cumulatieve ATE is nul vanwege tijd-translatie-symmetrie.
- Resultaat: In beide gevallen faalden standaard estimanden om het causale verschil te detecteren. Echter, de geprojecteerde entropieproductie onderscheidde de protocollen met hoge statistische significantie, wat bevestigt dat het pad-niveau effecten detecteert die onzichtbaar zijn voor standaard ATE's.
Ouder-ontdekking in Cyclische Systemen (Stelling 3.9):
- Setting: Willekeurige cyclische Erdős–Rényi grafen ( $n=15$ ) geïnstantieerd met drie families van potentialen (Bielineair, Sigmoïde, Cubisch).
- Methode: Schatten van de lokale entropieproductie-respons $R_{i|j}$ op infinitesimale interventies.
- Resultaat: De methode behaalde bijna perfecte recall en sterke precisie bij het herstellen van directe ouderstructuren in deze uitdagende niet-stationaire, cyclische settings, waarbij het superieur presteerde aan standaard benaderingen die moeite hebben met cycli.

Betekenis en Claims

Het artikel claimt een "nieuwe taal" te bieden voor statistische causaliteit die natuurlijk aansluit bij hoe causaliteit emergeert in fysieke systemen.

Verzoening: Het overbrugt de kloof tussen statistische causale modellen en niet-equilibrium thermodynamica, waarbij de thermodynamische pijl van de tijd wordt behandeld als de bron van causale asymmetrie.
Nieuwigheid in Causale Ontdekking: Het biedt instrumenten om causaliteit te beschrijven in systemen waar interventies dynamisch zijn en feedbackloops bestaan, gebieden waar standaard SCM's vaak ad-hoc oplossingen vereisen.
Fysische Interpreteerbaarheid: Door causale effecten te funderen in entropieproductie, biedt het raamwerk een fysiek betekenelijke, uit data schatbare metriek voor causaliteit die irreversibiliteit vastlegt.

De auteurs blijven bescheiden over toekomstige richtingen en merken op dat hoewel HCM's SCM's generaliseren, ze niet onmiddellijk algemene temporele SCM's met niet-gradiënt driften beschrijven. Zij identificeren de uitbreiding naar dergelijke kaders en de ontwikkeling van causale ontdekkingsalgoritmen gebaseerd op Hamiltoniaans leren als prominente volgende stappen.