|
经典物理学和现代物理学的争论至今仍没有消停，爱因斯坦和普朗克的出现颠覆了人们以往对世界的认知，传统物理研究手段已经很难去解释微观世界下的运动状态和变化。  普朗克向爱因斯坦颁奖 而两者之间的差异随着相对论和量子力学的发展变得难以调和，为了寻求解决这两者之间的沟通障碍，来自明尼苏达大学德卢斯分校的物理学教授维塔利·万丘林，试图以神经网络的角度去解释整个宇宙的运作。 在他的计算推测中，万丘林认为宇宙可能是一个巨大的神经网络，整个神经网络内的每种可观察现象都可以通过它来进行模拟建设，从某种程度上可以解释整个宇宙的运作方式。  宇宙可能是一个巨大的神经网络 万丘林教授这个惊人的理论是如何得出的？什么是神经网络？如果宇宙是一个神经网络，这意味着什么？本文接下来将从神经网络工程和万丘林教授的研究进行解答，为什么说宇宙可能是一个巨大的神经网络，它真是活的吗？ 神经网络与现代物理的结合当前的量子力学从理论研究开始，到应用在广泛范围内对物理现象进行建模，从微观状态下的高能实验，到宏观范围内的宇宙学观测。量子力学的范式表现得非常成功，现代科学界普遍认为，在最基本的层面上，整个宇宙都受量子力学的规则所支配，甚至包括引力也应该是在此之下以某种方式出现。  按照尺寸与速度分类，物理学的四大领域 但在量子力学的研究中有一个问题在于，当观察者开始干涉或者对其进行观察时，整个量子框架也会开始分崩离析。（可以参考量子通讯的问题）而观察者如果排除在量子系统之外时，这一切似乎又很正常。如何描述量子系统中的宏观观察者，比如宇宙本身，并没有像经典物理学那样对现象有着清楚的解释。  宇宙大尺度结构模拟图 为了解决人们对物理世界的描述中出现的这种明显不一致，人们应该考虑拥有一个比量子力学更基本的理论。因此在这个思考背景下，万丘林教授假设了一个可行的描述，在最基本的层面上，整个宇宙的动力学是由一个经历学习进化的微观神经网络来描述。  大脑和宇宙 如果描述正确，那么不仅是宏观观察者，更重要的地方在于，量子力学和广义相对论应该在适当的范围内正确地描述微观神经网络的动力学。 另外，量子力学的新见解认为，量子力学可能不是一种基本的理论，它只是一种允许在某些动力系统中进行统计计算的数学工具。如果正确，那么模拟应该能从第一原理推导出所有基本成本，如复波函数、薛定谔方程。  人脑的神经元网络 万丘林教授对包含两种不同类型自由度的神经网络动态系统进行了分析，接近平衡的可训练变量的动力学由代表量子相的自由能的马德隆方程描述，并且远离平衡。它们的动力学由哈密顿方程描述，其中自由能代表哈密顿的主函数。  神经元细胞结构图和连接图 最终结果表明神经网络确实可以表现出涌现的量子行为和经典行为（两种物理理论下的表现），同时他还强调这个学习动态是必不可少的，单独的随机动态不会产生预期的结果。对于广义相对论以及热力学定律中的熵宇宙，分析结果就有另外两种状态。 那么该研究是如何看待这些结果的呢？  爱因斯坦解释广义相对论的手稿扉页 基于神经网络模拟的宇宙神经网络在适当极限内的动力学可以通过量子力学和广义相对论的涌现来完成近似，但是这两个极限状态截然不同。引力理论下描述了一个非常稀疏和深度的神经网络，而在量子理论中，神经网络的表现非常密集和浅层。 另外万丘林教授还推测，在深层和稀疏网络的神经元与浅层和密集网络的边界神经元之间可能存在全息对偶映射。  原子的三个主要亚原子粒子是质子、中子和电子 如果整个宇宙是一个神经网络，那么像自然选择这样的事情可能会在整个宇宙学的尺度上进行，小到亚原子，大到生物。宇宙中更稳定的结构更有机会存活下去，而不太稳定的结构更有可能被消灭。 这个推测如果正确，那么我们今天所看见的原子和粒子实际上可能是从一些非常低的复杂性结构开始，长期进化的结果。对于我们人类或者说宏观状态下的观察者以及生物细胞则是更长时间进化的结果。  一个典型的原核细胞结构 研究最后指出，要证明这个理论是错的其实很简单，它所需要的方法就是找到一种神经网络无法描述的物理现象。但在实际应用中非常困难，现在科学界有多种“万物理论”的假设，它们都比较合理地解释了事物的运作，因此目前也没有神经网络不能模拟出来的计算。  智能机器人 但就神经网络工程来讲，人们对机器学习，以及神经网络是如何运作的知道得非常少，这样的说法显然缺乏一定的说服力。这篇论文和相关的学术研究在2021年时就发表在了互联网上，但是同行的研究人员对里面的研究持怀疑看法，不过神经网络确实能够为科学家就观察问题提供一个新的视角。 宇宙网络与人脑细胞模型相似 另一方面，我们需要理解一点当下人工神经网络的建设，从研究的内容来看，究竟什么是神经网络？ 神经网络系统今天我们的神经网络多了一层新的含义，也就是人工神经网络的计算系统，这是一种基于生物神经网络创建的一种学习型计算。它是基于人工神经元的连接单元或节点的集合，是对生物大脑中的神经元进行松散的建模。 大脑结构 这些建模就像生物大脑中的突触一样，可以将信号传递给其他神经元，人工神经元接收到信号后并对其进行处理，并于其他神经元进行信号交互。 但人工神经网络和生物神经网络有一点不同的是，所有神经元之间的连接都是固定好的，它不会像生物神经那般会产生新的突触连接。不过人工神经网络会对每一次的计算模拟进行更新迭代，寻求到一种更为快速高效的算法，也就是更快的神经通行路线。 神经元示意图 人工神经网络的自我学习中，主要是通过考虑样本观察来适应网络以更好地处理任务。学习涉及调整网络的权重（和可选阈值）以此提高结果的准确性，在学习期间的定期评估由成本函数来完成，只要产出继续下降，学习就会继续。 因此神经网络的建造很大程度上和学习方法有关，目前的学习方法有三大范式，以此完成对应的特定学习任务。虽然人工神经网络不会像生物神经网络那样会在学习过程中产生新的突触，但是神经网络也是能够进化的。 人工神经网络：是人工智能领域兴起的研究热点 它可以使用神经进化计算创建神经网络拓扑和权重，最大的优点就是不太容易陷入“死胡同”。万丘林教授的研究当中使用了随机神经网络，通过向网络中引入随机变化来构建，或者给它们随机权重，因为随机波动有助于网络摆脱局部最小值。 尽管神经网络有着强大的计算能力，但是当前的神经网络需要消耗大量的硬件资源，同时还需要大量的训练模型来进行迭代。对于文中提到的研究而言，其实它也是一种算法优化和模拟，仍需要现实数据进行支持。 神经网络是一种运算模型，由大量的节点相互联接构成 人工神经网络展示下的宇宙模型如果是真实的，那么我们也许是宇宙神经网络众多模拟训练的一次迭代。这样惊人的理论发现也难怪很难获得其他科学家的支持。 最后要特别指出的是，如果宇宙神经网络存在，也不能证明它确实是活着的，或许它只是一种算法模型，又或者是众多神经网络连接中的一个节点。 浩瀚的宇宙 限于今天的人工网络建设和现代物理研究的局限，人类对于宇宙的认知仍然处于未知，很难说这之间具体有什么联系。神经网络也许会让人类陷入更深层次的思考，也许又可能成为物理学家想要完成的终极大一统理论。 |
|
|
