类脑启发的深度学习
物理启发的深度学习
物理科学从已知条件下的过程中提取显式规律,而机器学习则从未知条件下提取隐式规律。经典力学和流体力学启发了神经网络结构和设计,而动力学微分方程则用于保障神经网络的信息和能量。模拟随机曲面现象的神经网络能学习物理定律,电磁学、光学和热力学等物理原理启示了神经网络和算法的构造。统计热力学通过无穷大的熵出发,利用混沌状态找到规律、模式和知识,最终得到最优解。熵、波尔兹曼公式、自由能等定理描述了物理界的基本规律,也用于构造神经网络。耗散结构是物理界的最优解形成的基础,自组织理论包含耗散、协同、突变等,是自监督学习网络的核心基础。
统计力学思想包括随机曲面的表征、随机初始算法的启发、概率与能量模型的启发和非平衡物理统计的启发,这些思想促进了不同网络模型和学习算法的产生,也推动了深度学习、机器学习、人工智能的发展。神经网络的构造可以利用量子力学的原理和思想。量子机器学习的科学思想是通过利用叠加、纠缠等量子特性来表征、推理、学习和联想数据。