14、人工智能与量子引力自动编码器：探索宇宙起源的新视角

人工智能与量子引力自动编码器：探索宇宙起源的新视角

1. 随机神经网络与量子引力自动编码器

随机神经网络的配分函数为：
[
Z_{N T}=\det\left(I + \frac{1}{2}I^{1/2}I^{1/2}\right)
]
它代表了具有涌现相对论引力的神经网络的量子引力自动编码器，使得以下图表具有交换性：
[
\begin{matrix}
(x,t) & \xrightarrow{FST} & (x’,t’) \
\downarrow & & \downarrow \
(x,t) & \xrightarrow{KQM} & (x’,t’)
\end{matrix}
]
其中，FST和KQM分别代表弦（附录A.5节）和量子流映射。

2. 机器学习物理中的相对论弦转化为量子

机器学习的统计热力学正通过将不可训练变量（x）和可训练变量（q）分别转化为神经网络及其变分自动编码器的随机变量来阐明。神经网络可具有涌现引力，而其自动编码器由潜在的薛定谔方程（6.15）控制，表现出量子行为。为生成量子引力的元模型，需要：
- 把不可训练变量视为新兴量子引力自动编码器中的隐藏变量。
- 考虑权重矩阵（w）成为置换矩阵的极限情况。
- 在比热化时间更短的时间尺度上，在非平衡环境中处理隐藏变量，通过生成状态向量的子系统，其动力学由新兴闵可夫斯基时空（附录A.5节）中的相对论弦描述。

潜在流形通过隐藏变量的热化获得。在热化极限下，相对论弦被束缚或同步，不可训练变量相对于可