人工智能神经网络 允许人工智能通过新的神经网络方法消除“混乱失明”

“混乱”,英语:混沌人工智能神经网络,是指混乱和混乱的状态。 “混沌失明”,英语:混沌失明,也称为:混沌失明,是指神经网络对这种混沌状态的认知的失明或失明。对于当前的人工智能神经网络,其认知水平仍远非人类神经网络的认知智能,并且通常无法预测或响应系统中的混沌状态。

混乱:混乱

我们大脑的神经网络是我们智能行为的基本形式。我们的自然脑神经细胞根据其连接强度交换电脉冲。人工神经网络模拟了人类神经网络,它通过在训练过程中调整数字权重和偏差来模仿这种行为,以最大程度地减少其实际输出与预期输出之间的差异。例如,可以训练人工智能神经网络以某些方式识别狗:筛选大量狗的照片,猜测照片是否属于狗,查看与狗的结论有多远,并调整其权重和偏见,直到它们接近现实为止。到目前为止,它的确是一只狗。

神经网络

人工智能神经网络如何预测或响应系统中的混沌状态?这对于改善人工智能从医学诊断到无人驾驶的应用具有重要意义。

现在,北卡罗莱纳州立大学非线性人工智能实验室(NAIL)的科学家发现,教授神经网络物理学可以使这些网络更好地适应其环境中的混乱情况。这种情况将改善从医学诊断到人工智能的应用到无人驾驶。

人工智能神经网络 允许人工智能通过新的神经网络方法消除“混乱失明”-

通过将物理学中的汉密尔顿函数引入人工智能神经网络,研究人员可以更好地“看到”系统中的混乱并进行相应的调整。哈密​​顿函数,英语:简而言之,哈密顿函数体现了有关物理系统动力学的完整信息,即存在的所有能量,动能和势能的总量。

例如,随着时间在空间中来回移动的摆动摆。如果您只是随时观察摆的运动,就无法告诉您摆在弧中的摆动位置或下一步的位置。这就是常规的神经网络如何根据摆的快照进行操作。但是,熟悉汉密尔顿向量场的神经网络将完全了解摆的整个运动,即摆的位置人工智能神经网络,摆的位置或摆的位置以及其中的能量。

在数学和物理学中,哈密顿向量场是辛流形上的向量场,定义在任何能量函数或哈密顿函数上。如图所示,哈密顿向量场(也称为哈密顿流)表示甜甜圈形的环,而彩虹色表示第四维。

为了验证这一概念,研究团队将哈密顿结构纳入了神经网络,并将其应用于已知的恒星和分子动力学模型Hénon-Heiles模型。哈密​​顿神经网络准确地预测了系统的动力学,即使这是系统在有序和混沌之间移动的时候。

Hénon-Heiles模型,翻译为:Chinon-Hales模型,是法国数学家,天文学家MichelHénon(MichelHénon)和美国天体物理学家Carl Heiles(Carl Heiles)于1962年提出的。银河系的中心。他们使用简化的二维非线性轴对称势,找到了没有运动的第三个积分的初始条件,称为混沌轨道。

研究人员说:“哈密顿量实际上是一种“特殊调味品”或“智能药物”,它使神经网络能够学习秩序和混乱。基础动力学是迈向现代物理学神经网络的第一步,它可以帮助我们解决许多问题。 “

最新的研究论文发表在最近的《 Physics Review E》上。

参考:物理增强型神经网络学习顺序和混乱,《物理评论E》(202 0)。DOI:1 0. 1103 / PhysRevE.10 1. 062207

报告/反馈

【版权声明】本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 playplus@qq.com 举报,一经查实,本站将立刻删除。