Causal Dynamics Architecture

因果动力学架构（CDA）研究参考

核心定位

CDA 是一个替代 Transformer 的全新 AI 计算架构提案。核心理念：世界不是符号序列，而是实体及其因果关系的动态系统。

一句话定义：CDA 是一个以因果图上的哈密顿动力学步进替代 Transformer Self-Attention 的计算架构，原生支持物理约束、因果推理和多尺度建模。

完整文档：references/因果动力学架构（Causal Dynamics Architecture, CDA）.md

参考文件体系

本 skill 的 references 目录包含三篇原创文档，构成从宏观文明演进到具体架构实现的完整知识链：

阅读顺序建议：技术的螺旋（理解需求）→ 因果仿真范式（理解方向）→ CDA（理解方案）。

设计哲学

详见参考文件 §一（第 11-30 行）、§九（第 2564-2583 行）。

五层计算栈

┌─────────────────────────────────────────────────────────────────┐
│  Layer 5: 语言界面层 (Language Interface)                        │
│  意图解析 (NL→do()) + 状态报告 (State→NL) + 因果链解释            │
├─────────────────────────────────────────────────────────────────┤
│  Layer 4: 反事实推理层 (Counterfactual Reasoning)                │
│  平行世界分支 (Fork-State) + 干预传播 (do() Propagate)            │
├─────────────────────────────────────────────────────────────────┤
│  Layer 3: 多尺度聚合层 (Multi-Scale Aggregation)                 │
│  粗粒化 (信息瓶颈) + 重正化 (因果路径求和) + 自适应尺度选择        │
├─────────────────────────────────────────────────────────────────┤
│  Layer 2: 因果机制网络 CMN (Causal Mechanism Network)             │
│  实体-状态因果图 + 因果动力学步进 + 类型化机制函数 + 因果路由       │
├─────────────────────────────────────────────────────────────────┤
│  Layer 1: 感知校准层 (Perception & Calibration)                  │
│  实体发现 + 多模态消歧 + 传感器融合 + 贝叶斯校准                  │
└─────────────────────────────────────────────────────────────────┘

详见参考文件 §二（第 31-93 行）。

核心数据结构

class EntityState:
    position: Tensor      # q: 广义坐标（位置、角度、温度...）
    momentum: Tensor      # p: 共轭动量（速度、角速度、热流...）
    attributes: Tensor    # a: 固有属性（质量、电荷、材料类型...）
    belief: Distribution  # b: 贝叶斯信念 ~ N(μ, Σ)

class CausalEdge:
    source: int           # 因
    target: int           # 果
    mechanism: Callable   # f_ij: 因果机制函数（可微分）
    mechanism_type: str   # 机制类型（热力学/力学/流体/化学反应/信息）
    strength: float       # 因果强度
    confidence: float     # 结构置信度

详见参考文件 §3.1（第 625-662 行）。

各层核心要点

Layer 1: 感知校准（§2.1-2.2，第 94-619 行）

两层设计：

1. §2.1 统一感知接口（第 94-360 行）：非结构化数据→实体候选
   • 实体发现：文本 NER / 视觉目标检测 / 时序变点检测
   • 多模态消歧：并查集 + 多特征相似度聚类
   • 本体驱动初始化：领域本体分配初始状态和候选因果边
2. §2.2 感知校准层（第 361-619 行）：结构化传感器→内部表示
   • 传感器融合：时间对齐 + 空间映射 + 量纲归一化
   • 物理感知编码器：直接映射可测量量 + 推断网络估计不可测量量
   • 贝叶斯校准：卡尔曼更新 + 马氏距离异常检测

Layer 2: 因果机制网络 CMN（§三，第 621-1058 行）

核心前向传播（§3.2）：因果动力学步进

• 每个时间步：对每条因果边计算机制函数 → 累加状态变化 → 哈密顿投影
• 与 Attention 的本质区别：Attention 是无向的关联聚合，CDA 是有向的因果机制仿真

机制函数参数化（§3.3）：类型化物理约束

• 热力学型：傅里叶定律 + 牛顿冷却
• 力学型：弹簧-阻尼 + 接触力
• 流体型：Navier-Stokes 简化
• InteractionBasis：基函数展开 Φ(x) → 参数化 f_ij

因果计算路由（§3.4）：稀疏边选择

• 路由分数 = 因果强度 × 源状态变化 × 目标不确定性 × 查询相关性
• 三级筛选：硬阈值 → Top-K → 全局预算
• 复杂度：O(N²k) → O(NKk)，640× 加速

Layer 4: 哈密顿约束（§四，第 1059-1340 行）

• 系统哈密顿量 H(q,p) = T(p) + V(q) 作为架构恒等式
• 哈密顿投影：每步将状态拉回能量守恒流形（替代 LayerNorm）
• 辛积分器（Störmer-Verlet / Yoshida 4阶）：天然保持辛结构
• 完整管线：CDABlock（路由→机制计算→积分→投影→信念更新）

注意：哈密顿投影与辛积分器可能存在冗余，需要进一步分析是否可以简化。

Layer 4: 反事实推理（§五，第 1341-1414 行）

• 干预 (do-演算)：图手术——切断因果边，设置变量值，仿真传播
• 反事实：溯因→干预→预测三步
• 并行世界分支树：每次干预创建状态分支，支持多策略比较

Layer 3: 多尺度聚合（§七，第 2009-2359 行）

• 粗粒化：信息瓶颈驱动的实体聚类（特征值分解 + 谱聚类）
• 重正化：因果路径求和（Neumann 级数截断）更新粗粒化后的机制函数
• 自适应尺度选择：基于不确定性驱动的多分辨率切换

Layer 2.5: 学习机制（§六，第 1415-2008 行）

冷启动（§6.1，第 1421-1633 行）：从零构建因果图

• Phase A：知识骨架（物理方程 + 工程拓扑 + 文本挖掘）
• Phase B：骨架引导 NOTEARS 精化（先验正则化）
• Phase C：主动因果实验（期望信息增益驱动）

在线更新（§6.2，第 1634-1994 行）：替代反向传播

• Level 1：贝叶斯信念追踪（EKF 实时修正状态估计）
• Level 2：机制函数在线学习（Online Laplace Approximation）
• Level 3：因果结构学习（NOTEARS 增量更新图结构）
• Level 4：结构更新触发控制器（不确定性驱动）

因果封装递归 CER（§八，第 2360-2563 行）

CDA 最原创的贡献。替代 Transformer 的同构递归（N 层相同层）。

核心思想：

• 异构递归嵌套：每层封装一个因果子系统，不同层有不同的实体类型和机制函数
• 双向因果耦合：子系统和父系统之间通过因果边双向连接（而非单向调用）
• 因果封装：子系统内部状态对外不可见，只能通过接口实体交互

与 Transformer 层次结构的区别：Transformer 的层级是抽象语义层级（词→短语→句子），CER 的层级是物理因果层级（压缩机→制冷系统→工厂→电网）。

核心术语

完整术语表见参考文件 §十五（第 2814-2835 行）。

关键公式索引

公式位于参考文件附录（第 2848 行起）：

与现有工作的关系

详见参考文件 §十三（第 2743-2758 行）。

已知局限与开放问题

已知局限：

• 实体规模 > 10⁴ 时的路由精度
• 感知接口对非物理领域（自然语言、社交网络）的适用性未验证
• CER 递归的内存管理

开放问题：

• 通用因果发现（无领域知识冷启动）
• 跨模态因果机制（语言→物理的因果边如何定义）
• 与 LLM 的有效结合方式

详见参考文件 §十二（第 2704-2742 行）。

原创性评估

真正原创的概念：

1. 实体-状态因果图：Pearl 因果图 + 哈密顿状态空间的融合
2. 因果封装递归 CER：异构递归嵌套 + 双向因果耦合
3. 因果路径求和的重正化：Feynman 路径积分 → 因果图粗粒化

其余 80%+ 为已有工作的系统性重组和工程化。原创贡献占比约 15-20%。

实现路线图

详见参考文件 §十四（第 2761-2813 行）。

使用指南

当需要深入了解某个模块时，读取参考文件的对应章节：

# 读取特定章节
read_file("references/因果动力学架构（Causal Dynamics Architecture, CDA）.md", offset=<起始行>, limit=<行数>)

# 搜索特定概念
search_content(pattern="<关键词>", path="references/因果动力学架构（Causal Dynamics Architecture, CDA）.md")

建议的深入顺序：

1. §二（五层栈全景）→ §3.1（数据结构）→ §3.2（核心计算）
2. §4.1-4.3（哈密顿约束）→ §五（反事实推理）
3. §6.1（冷启动）→ §6.2（在线学习）
4. §七（多尺度）→ §八（CER）
5. 附录公式验证