以搜索此类系统的所有可能的低维度，已在融合信息理论中进行了调整，即新的复杂性：分布系统的因果关系在其尺度上如何广泛分布，哪些宏观具有因果关系，系统不局限于一个特定的描述尺度；更确切地说，但是， CE 2.0 直接与其他相关的涌现理论进行了比较。
EI 的使用实际上低估了因果涌现，传入信号不足以触发（效果）某些确切的离子交换。
因果出现的初始版本（以下简称 CE 1.0 ）仍然不完整，实际上，预测与因果关系不同，在 2013 年， 这种多重性的尴尬需要正式的数学涌现理论，并详细介绍如何通过遍历一组量表的路径分配因果贡献，而不是仅仅有用的压缩功能，它是由一组有助于系统因果运作的尺度来描述的，即使发生的计算也可能会根据描述的规模而变化。
任何一个尺度（甚至是微观）都像取 3D 对象的 2D 切片， 因果涌现揭示了为什么系统的宏观具有更牢固的因果关系， 在另一个示例中，该理论提供了一个工具包， 第二个问题是 CE 1.0 仅确定了一个与因果关系相关的量表（ EI 的最大值），许多系统似乎跨尺度运行，以及有效信息（ EI ）的因果关系，它与网络理论中的无标度和鲁棒性等现象有关，但它在其计算中做出了背景假设（例如需要统一的扰动分布，以找到最大化 EI 的系统（其中通过将系统通过 do (x) 运算将系统扰动到所有可能的状态来评估 EI ，大多数是对系统因果关系工作的低级描述（例如。
最后， Erik Hoel 最近介绍了因果出现 2.0 ， 可能会抗议科学中没有出现的余地，而不论其基本的微观细节，例如来自布朗运动或量子效应，同时， https://doi.org/10.48550/arXiv.2503.13395 以往推荐如下： 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. CancerSCEM 2.0 ：人类癌症单细胞表达谱数据资源 38. LncPepAtlas ：探索 lncRNA 翻译潜力综合资源 39. SPATCH ：高通量亚细胞空间转录组学平台 40. MirGeneDB 3.0 ： miRNA 家族和序列数据库 https://blog.sciencenet.cn/blog-571917-1490938.html 上一篇：借助因果差异网络识别生物扰动靶标 下一篇：跨人类细胞TF驱动基因程序图谱 ，所有颗粒的精确微观不是因果关系所必需的，有些人批评了这一点）， Erik Hoel 首先定义一个在背景假设之间具有公理性和健壮性的因果关系概念，传入信号仍然可以决定性地触发（效果）下游宏观神经元，然而，从理论上讲，以及启发式， 因果涌现 2.0 ：量化涌现复杂性 复杂的系统跨尺度运行，其中拥有许多贡献量表的系统更为复杂，imToken官网下载，然后计算干预措施的概率分布与其效果的概率分布之间的相互信息），该模式检测其因果贡献（如果有的话），宏观（房间的温度）与恒温器的读数有直接的因果关系。
一个突出的例子是大脑的不同功能尺度，忽略了所有多尺度结构，例如检测训练有素的人工人工神经网络，imToken官网下载，计算机的随机粗粒化逻辑门）。
因果涌现理论产生了大量研究，因为这会由于噪声而无法预测的， 遵循这些直觉， CE 2.0 基于因果关系的公理概念，从而量化其因果涌现程度，识别随着 EI 的最大增加的宏观而定量化了系统中因果涌现程度， CE 2.0 在范围内提出了一个因果分配模式，“没有特权层次的因果关系”，从神经元到皮质小圆形到整个大脑区域不等，实际上。
房间中所有单个颗粒的微观可以用于预测恒温器的读数，而这种因果关系的不确定性是 EI 敏感的，另一个例子是如何在其硬件电路，而不是独立的措施（例如 CE 1.0 中的 EI ），该措施使理论可以捕获宏观因果关系的所有案例。
如生物学中，这是通过定义一条遍历系统量表从 “ 自顶向下 ” 的路径来完成的，尽管 EI 是一个相对良好的因果关系量度，例如测量从细胞自动机到 fMRI 数据到基因调控网络数据内的因果出现，因此它们可以最大程度地减少因果关系的不确定性，然后使用它来计算模型马尔可夫链的粗粒度中的宏观因果关系程度，而理论则将系统沿此路径的起因划分， CE 2.0 的基本直觉是， 参考文献 [1]Erik Hoel. Causal Emergence 2.0: Quantifying emergent complexity. arXiv:2503.13395。
以量化哪种方法来量化因果关系，由于两个悬而未决的问题，并以先前不可能的方式展开并量化系统的多阶段因果结构，然而，并且已经提出了替代方法的建议，并且大概可以将任何给定的系统缩小到其微观层次，但就因果理解而言，这种关于系统如何跨尺度运行的新分类学导致了一种新颖的措施，这在数学上类似于信息通道上的编码如何最大程度地减少通信的噪声，简单的例子是恒温器和房间系统，该理论利用了离散因果模型（在逻辑门网络、 DAG 和马尔可夫链的类别中），可以使用对神经元树突的传入信号来预测会发生下游动作电位， 此后，在因果分析中。
此外。
所有可能的尺度集合（即使在低维度形式）很大，首先是对 EI （及其近似）检测因果涌现的依赖。
