新章节将Hopfield网络重构为记忆的物理理论,超越了其最初作为神经网络算法的设想。它详细介绍了该网络对内容可寻址记忆的动力学定义、具有Lyapunov函数的对称架构以及模式的Hebbian嵌入。本章还涵盖了能量函数、模式稳定性、用于检索的平均场理论,以及更新何时成为缩放点积注意力(scaled dot-product attention)的条件,同时区分了已确立的结果和待解决的问题。 AI
影响 为理解神经网络中的记忆提供了理论框架,可能影响未来的AI架构。
排序理由 该条目是发表在arXiv上的学术论文,讨论了一个理论模型。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →