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：2026-03-12
摘要
實體網路可以透過設計、進化或透過局部規則學習來發展調整的反應或功能。在所有這些情況下，表徵內部交互作用的可調自由度被修改，以降低懲罰與期望輸出的偏差的成本。此類網路的一個重要類別遵循在物理自由度方面最小化全局物理量或李亞普諾夫函數的動力學。在這樣的網路中，學習是一個「雙重最佳化」過程，其中兩個量（一個由任務定義，另一個由物理規定）相對於不同但耦合的變數集被最小化。在這裡，我們展示了這個學習過程如何將高維「成本景觀」與「物理景觀」耦合起來，從而將物理矩陣和成本 Hessian 矩陣連結起來。因此，經過訓練的網路對隨機擾動的物理響應揭示了它們所調整的功能。我們的結果使用具有自適應電阻的電氣網路進行說明，對於在線性響應狀態下執行任務的網路來說是通用的。