学习物理效果

从大脑神经网络到自我修改电路再到蛋白质折叠，相互作用的多体系统可以学习执行不同的任务。 无论是在自然系统还是工程系统中，这种学习都可能是进化选择的结果，或者是通过经验驱动主动学习的动态规则的结果。 我们在这里表明，在弱输入的线性网络中学习会留下 Hessian 的架构印记。 比较一般的系统组织，我们发现（a）对输入的响应的物理维度（或系统的“敏感性”）降低，（b）自由意志的物理程度对随机扰动的响应更灵敏 、(c) 中，低特征向量与任务相符。

来源和详细信息：
https://journals.aps.org/pre/abstract/10.1103/PhysRevE.109.024311