本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：已發表論文
- 日期：2022-09-02
摘要
自適應熱力學系統——例如試圖獲得生存優勢的生物有機體、執行功能性任務的自主機器人或運輸細胞內營養物質的運動蛋白——可以透過有效建模其環境中的規律性和隨機性來提高其表現。類似地，但在純粹的計算領域，機器學習演算法試圖估計捕獲可預測結構的模型，並透過優化效能指標（例如模型生成資料的對數似然）來識別訓練資料中的不相關雜訊。從某種意義上說，這些計算模型在物理上是否更受青睞？對於自適應物理系統，我們引入了這樣的組織原則：熱力學功是有利地建模環境的最相關的效能測量。具體來說，物理代理的模型決定了它可以從環境中獲得多少有用的工作。我們表明，當這些智能體最大化工作產出時，它們也會最大化其環境模型的對數似然，從而在熱力學和學習之間建立了等價關係。這樣，工作最大化就成為了自適應熱力學系統學習的組織原則。