详细内容或原文请订阅后点击阅览
森林火与神经网络之间的共同特征揭示了通用框架
与Aisin Corporation合作的东京大学的研究人员表明，通用缩放定律（描述了系统的属性随尺寸和规模的变化）如何适用于表现出吸收相位过渡行为的深神经网络，这一现象通常在物理系统中观察到。该发现不仅提供了描述深神经网络的框架，还有助于预测其可训练性或可推广性。这些发现发表在《物理评论研究》杂志上。
来源:英国物理学家网首页与Aisin Corporation合作的东京大学的研究人员表明，通用缩放定律（描述了系统的属性随尺寸和规模的变化）如何适用于表现出吸收相位过渡行为的深神经网络，这一现象通常在物理系统中观察到。该发现不仅提供了描述深神经网络的框架，还有助于预测其可训练性或可推广性。这些发现发表在《物理评论研究》杂志上。
已发布 物理审查研究近年来，无论我们在哪里看，我们都以一种或另一种形式遇到人工智能。该技术的当前版本由深神经网络提供支持：数字“神经元”层之间具有加权连接。网络通过修改“神经元”之间的权重来学习，直到产生正确的输出为止。但是，统一的理论描述了系统中神经元层之间的信号如何传播到迄今为止的科学家。
人工智能 深神经网络 统一理论“我们的研究是由两名驱动因素激发的，”第一作者Keiichi Tamai说。 “部分归因于工业需求，因为这些大型模型的蛮力调整会对环境造成损失。但是，有了更深入的追求：对智力物理本身物理学的科学理解。”
这是Tamai在相过渡的统计物理学背景的地方，这给了他第一个提示。吸收相变是指从活跃阶段到吸收阶段的临界点的急剧变化，如果没有外部帮助，系统就无法逃脱。这样的物理系统的一个例子是燃烧的火。