English(EN) Primitive Recursion without Composition: Dynamical Characterizations, from Neural Networks to Polynomial ODEs

研究将神经网络、常微分方程和多项式映射与原始递归联系起来

作者 PulseAugur 编辑部 · [2 个来源] · 2026-04-27 11:48

一篇新论文探讨了循环神经网络、多项式常微分方程（ODEs）和离散多项式映射的计算能力。该研究在这些框架中建立了原始递归的等价刻画，展示了组合如何从动力学而非显式闭包规则中涌现。这项工作通过分析时间界限、多项式次数和离散化资源，为复杂性类提供了动力学刻画。 AI

影响为理解动力学系统中的计算提供了一个理论框架，可能影响未来的AI架构。

排序理由学术论文，详细介绍了理论计算等价性。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.LG TIER_1 English(EN) · Olivier Bournez · 2026-04-28 04:00

无组合的原始递归：从神经网络到多项式ODE的动力学刻画

arXiv:2604.24356v1 Announce Type: cross Abstract: What do recurrent neural networks, polynomial ODEs, and discrete polynomial maps each bring to computation, and what do they lack? All three operate over the continuum--real-valued states evolved by real-valued dynamics--even when…
arXiv cs.LG TIER_1 English(EN) · Olivier Bournez · 2026-04-27 11:48

无组合的原始递归：从神经网络到多项式ODE的动力学刻画

What do recurrent neural networks, polynomial ODEs, and discrete polynomial maps each bring to computation, and what do they lack? All three operate over the continuum--real-valued states evolved by real-valued dynamics--even when the target functions are discrete. We study them …