Erbar-Maas 奇异因果干预定理

我们如何将热力学系统的物理、连续动力学与因果图手术的非连续、逻辑操作联系起来？

在经典的因果推断（Pearl, 2009）中，因果干预是通过 do 算子 来建模的。它通过手术般地切断指向目标变量的所有入边，并将其强制设定为一个固定值。尽管这一操作在数学上十分简洁，但“图手术”在本质上是非连续的：它在瞬间将转移速率归零，这违背了必须遵守概率守恒和有限传输速度的物理过程。

Erbar-Maas 奇异干预定理 提供了连接两者的数学桥梁。通过将因果干预表示为连续时间恢复力在无穷大速率下的奇异极限，我们成功证明了：Pearl 的非连续因果图手术完全可以从连续时间马尔可夫链（CTMC）的时间尺度分离极限中精确恢复。

下面是一个交互式数学实验室，展示了该定理背后的收敛过程、Wasserstein 几何以及熵梯度流。

数学框架与核心原理

为了帮助理解这一奇异极限，我们在此梳理其背后的核心数学结构：

1. 连续时间马尔可夫链 (CTMC)

设定我们的系统运行在具有三个状态 $\mathcal{S} = {A, B, C}$ 的有限状态图上。状态概率分布 $p(t) = [p_A(t), p_B(t), p_C(t)]$ 遵循柯尔莫哥洛夫向前方程（Kolmogorov forward equation）：

$$\dot{p}(t) = p(t) Q$$

其中 $Q$ 是满足以下条件的无穷小生成元矩阵：

• 对于所有 $i \neq j$，$Q_{ij} \geq 0$（正的转移速率强度）。
• 对任意行 $\sum_{j} Q_{ij} = 0$（概率守恒）。

2. 细致平衡与梯度流

我们假设未受扰动的马尔可夫链相对于平稳分布 $\pi$ 是可逆的，满足细致平衡条件：

$$\pi_i Q_{ij} = \pi_j Q_{ji}$$

在这种对称性下，线性马尔可夫演化可以被重写为相对熵（Kullback-Leibler 散度）在 Erbar-Maas 离散黎曼度量下的最陡下降（梯度流）：

$$\mathcal{H}(p \mid \pi) = \sum_{i \in \mathcal{S}} p_i \log \frac{p_i}{\pi_i}$$

该度量张量为概率单纯形装备了离散的 Wasserstein 几何，其中沿着边 $(i, j)$ 的流动性（mobility）由状态密度的对数平均来加权：

$$\Lambda(p_i, p_j) = \frac{p_i - p_j}{\log p_i - \log p_j}$$

3. Pearl 的图手术 vs 奇异摄动

将系统强制干预到状态 $C$ 对应于切断所有指向 $C$ 的入边转移速率：

$$Q_{do} = \begin{pmatrix}

• (Q_{AB} + 0) & Q_{AB} & 0 \ Q_{BA} & - (Q_{BA} + 0) & 0 \ Q_{CA} & Q_{CB} & - (Q_{CA} + Q_{CB}) \end{pmatrix}$$

而在物理上，我们通过引入一个以速率参数 $\lambda$ 将概率质量强力拉向 $C$ 的恢复项 $\lambda R$ 来对此建模：

$$Q_\lambda = Q_{do} + \lambda R_C$$

当 $\lambda \to \infty$ 时，系统展现出两个截然不同的时间尺度：

1. 快速瞬态阶段 ($O(1/\lambda)$): 任意初始概率质量瞬间通过投影算子 $\Pi_C$ 塌缩到干预流形（状态 $C$）。
2. 慢速演化阶段: 塌缩后的概率质量在被限制在目标子空间的投影慢速动力学 $\Pi_C Q_{do} \Pi_C$ 下继续演化。

最终的等价性由下式给出：

$$\lim_{\lambda \to \infty} e^{t Q_\lambda} = \Pi_C e^{t \Pi_C Q_{do} \Pi_C}$$

这严谨地证明了，因果图手术正是物理恢复过程的奇异极限。