对神经网络进行物理教学，可助人工智能消除混沌盲目性

“混沌”，英文：Chaos，指混乱而没有秩序的状态。“混沌盲目性”，英文：Chaos Blindness，也称为：混乱失明，指神经网络对这种混乱状态的认知的一种失明或盲目性。对于现在的人工智能神经网络，其认知水平与人的神经网络的认知智能还相差很远，常常无法预测或响应系统中的混沌状态。

我们大脑的神经网络是我们之所以具有智能行为的基本形态方式。我们的自然脑神经细胞根据其连接强度交换电脉冲。人工神经网络模拟人的神经网络，通过在训练过程中调整数值权重和偏差，以最小化其实际输出与期望输出之间的差异来模仿此行为。例如，可以训练人工智能神经网络通过一些方法来识别狗：筛查大量狗的照片、猜测照片是否属于狗、看它离是狗的结论有多远、调整其权重和偏差，直到它们更接近现实地辨认出来确实是狗为止。

如何才能让人工智能神经网络预测或响应系统中的混沌状态，这对于从改善从医疗诊断、到无人自动驾驶等的人工智能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（Nonlinear Artificial Intelligence Laboratory，简称：NAIL）的科学家发现，对神经网络进行物理教学可以使这些网络更好地适应其环境中的混乱情况，将可以改善从医疗诊断、到无人自动驾驶等的人工智能应用。

研究人员通过将物理学中的汉密尔顿函数引入人工智能神经网络，可以更好地使其“看到”系统中的混乱并做出相应的调整。哈密顿函数，英文：Hamiltonian function，简单来讲，体现了有关物理系统动态的完整信息，即存在的所有能量，动能和势能的总量。

举例来讲，一个摆动的摆锤，它随着时间在空间中来回移动。如果只是观察该摆的每一刻的运动，无法告诉您摆锤在摆动将在弧度的哪里或下一步在哪里。常规的神经网络是这样从摆的快照中进行操作。然而熟悉哈密顿向量场的神经网络，会全面了解摆的整个运动，即摆在哪里、将摆在哪里、或可能摆在哪里、以及摆在其中的能量。

在数学与物理中，哈密顿向量场是辛流形上一个向量场，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，也称哈密顿流（Hamiltonian flow ）所表示的如甜甜圈状的圆环，彩虹色代表第四维度。

为了验证这个概念想法，该研究团队将哈密顿结构纳入神经网络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机理，即使是系统在有序和混沌之间移动的情况下。

Hénon-Heiles模型，译为：希农-海尔斯模型，是1962年法国数学家、天文学家米歇尔·希农（Michel Hénon）和美国天体物理学家卡尔·海尔斯（Carl Heiles）在研究恒星绕银河系中心时所提出的非线性运动模型。他们采用简化的二维非线性轴对称电势，发现称为混沌轨道的不具有运动的第三积分的初始条件。

研究人员说：“哈密顿量实际上是赋予神经网络学习秩序和混乱的能力的‘特殊调味品’或‘聪明药’。 “有了哈密顿量，神经网络以一种常规网络无法认知的方式来理解潜在的动力学，这是迈向现代物理学的神经网络的第一步，可以帮助我们解决许多难题。”

该最新研究成果论文发表在最近的《物理评论E》上。