Reconciling Causality and Non-Equilibrium Thermodynamics with Hamiltonian Causal Models

Resumo Técnico: Reconciliando Causalidade e Termodinâmica de Não-Equilíbrio com Modelos Causais Hamiltonianos

Declaração do Problema

Modelos causais estatísticos padrão (ex: Modelos Causais Estruturais, resultados potenciais) enfrentam desafios significativos quando aplicados a fenômenos físicos temporais. Esses frameworks frequentemente lutam para acomodar nativamente:

1. Intervenções ao nível de trajetória: Intervenções que atuam como controles dependentes do tempo ao longo do caminho de um sistema, em vez de atribuições estáticas.
2. Não-estacionaridade: Leis induzidas que mudam ao longo do tempo.
3. Dependência de trajetória: Efeitos causais que dependem da história específica do sistema, não apenas dos estados finais.
4. Feedback e Ciclos: Dependências cíclicas que se desenrolam dinamicamente através do tempo.

Além disso, existe uma lacuna conceitual entre a causalidade estatística e a causalidade física. Na física, a direção causal está atada à seta termodinâmica do tempo (irreversibilidade), enquanto os modelos causais padrão frequentemente tratam leis com simetria de reversão temporal como compatíveis com assimetria causal. Frameworks existentes exigem construções ad hoc para lidar com essas realidades físicas, falhando em distinguir mecanismos imutáveis de equações de movimento interveníveis.

Metodologia: Modelos Causais Hamiltonianos (HCMs)

Os autores introduzem os Modelos Causais Hamiltonianos (HCMs), um framework ao nível de trajetória onde variáveis observadas interagem com ambientes térmicos locais (banhos) não observados.

Definições Principais

• Estrutura do Sistema: Um HCM é definido em uma variedade simplética $\Gamma = \Gamma_X \times \Gamma_E$, onde $X$ representa variáveis observadas e $E$ representa banhos não observados.
• Decomposição Hamiltoniana: O sistema evolui via um Hamiltoniano $H(z, \lambda)$ que se decompõe em:
  • Potenciais intrínsecos ($H_{self}$).
  • Acoplamentos com pais causais ($H_{mech}$).
  • Acoplamentos com banhos locais ($H_{bath}$).
  • Dinâmica livre do ambiente ($H_E$).
    Esta decomposição desempenha o papel da fatoração de Markov Causal em Modelos Causais Estruturais clássicos (SCMs).
• Intervenções: Intervenções são modeladas como políticas dependentes do tempo $\lambda(t)$ que modificam a função Hamiltoniana (especificamente os mecanismos $H_{mech}$ e $H_{bath}$), mas não alteram as equações de movimento subjacentes (a estrutura simplética). Isso separa mecanismos interveníveis de leis físicas imutáveis.
• Efeito Causal: Definido como uma discrepância entre as leis de trajetória de uma variável sob diferentes políticas de intervenção. Diferente dos ATEs (Efeitos de Tratamento Médio) padrão, que frequentemente focam em pontos únicos no tempo ou somas cumulativas, os HCMs definem efeitos causais sobre todo o espaço de trajetórias.

Integração Termodinâmica

O framework utiliza a termodinâmica de não-equilíbrio para quantificar a influência causal:

1. Trabalho: A energia realizada por uma intervenção. Os autores mostram que taxas de trabalho podem identificar quais variáveis participam de um mecanismo local (parentesco gráfico), desde que o Hamiltoniano seja conhecido.
2. Produção de Entropia ($\Sigma$): Uma quantidade no espaço de trajetórias que mede a irreversibilidade de um processo ao comparar a lei da trajetória direta com sua contraparte de tempo revertido.
   • Produção de Entropia Local Projetada: Uma quantidade estimável a partir da trajetória marginal de um único nó, servindo como uma testemunha para efeitos causais.
   • Taxa de Produção de Entropia Local: Uma métrica refinada para difusões de Langevin controladas que, quando submetida a intervenções "locais à direita" infinitesimais, pode distinguir pais diretos de ancestrais indiretos.

Contribuições Principais

1. Framework Formal: A introdução de HCMs, que unifica sistemas Hamiltonianos controlados com modelagem causal, permitindo a descrição nativa de intervenções dinâmicas, adaptativas e cíclicas.
2. Observáveis Causais Termodinâmicos:
   • Demonstração de que taxas de trabalho identificam pais gráficos quando o Hamiltoniano é conhecido.
   • Prova de que a produção de entropia projetada atua como uma testemunha para efeitos causais, detectando discrepâncias de nível de trajetória invisíveis aos ATEs de ponto final ou cumulativos.
   • Derivação de um critério de resposta de produção de entropia local (Teorema 3.9) que identifica estruturas de pais diretos em sistemas de Langevin não estacionários e cíclicos via intervenções infinitesimais.
3. Unificação Teórica: Mostrando que os HCMs recuperam SCMs clássicos e generalizações cíclicas como casos especiais estacionários (via o limite de tamanho de banho grande e parâmetros de inércia pequenos), enquanto se estendem naturalmente para regimes de não-equilíbrio.

Resultados Experimentais

Os autores validam a teoria através de dois conjuntos de experimentos:

1. Validação da Detecção Causal ao Nível de Trajetória (Proposição 3.7):

   • Cenário A (Mesmos Pontos Finais): Uma cadeia linear de osciladores impulsionada por dois protocolos que alcançam o mesmo estado final via caminhos diferentes. O ATE de ponto final padrão é zero por design.
   • Cenário B (Tempo Revertido): Um sistema com um mediador oculto recebendo pulsos em ordem reversa. O ATE cumulativo é zero devido à simetria de translação temporal.
   • Resultado: Em ambos os casos, os estimandos padrão falharam em detectar a diferença causal. No entanto, a produção de entropia projetada distinguiu os protocolos com alta significância estatística, confirmando que detecta efeitos de nível de trajetória invisíveis aos ATEs padrão.

2. Descoberta de Pais em Sistemas Cíclicos (Teorema 3.9):

   • Cenário: Grafos Erdős–Rényi cíclicos aleatórios ($n=15$) instanciados com três famílias de potenciais (Bilinear, Sigmoide, Cúbica).
   • Método: Estimativa da resposta de produção de entropia local $R_{i|j}$ a intervenções infinitesimais.
   • Resultado: O método alcançou recall quase perfeito e precisão forte na recuperação de estruturas de pais diretos nesses cenários desafiadores de sistemas não estacionários e cíclicos, superando abordagens padrão que lutam com ciclos.

Significância e Alegações

O artigo afirma oferecer uma "nova linguagem" para a causalidade estatística que se alinha naturalmente com a forma como a causalidade emerge em sistemas físicos.

• Reconciliação: Ele une a lacuna entre modelos causais estatísticos e termodinâmica de não-equilíbrio, tratando a seta termodinâmica do tempo como a fonte da assimetria causal.
• Novidade na Descoberta Causal: Fornece ferramentas para descrever a causalidade em sistemas onde as intervenções são dinâmicas e loops de feedback existem, áreas onde os SCMs padrão frequentemente requerem correções ad hoc.
• Interpretabilidade Física: Ao fundamentar os efeitos causais na produção de entropia, o framework oferece uma métrica de causalidade fisicamente significativa e estimável via dados, que captura a irreversibilidade.

Os autores mantêm-se modestos quanto a direções futuras, observando que, embora os HCMs generalizem os SCMs, eles não descrevem imediatamente SCMs temporais gerais com drifts não-gradientes. Eles identificam a extensão para tais frameworks e o desenvolvimento de algoritmos de descoberta causal baseados em aprendizado Hamiltoniano como próximos passos proeminentes.