早在2012年，计算机就学会了识别YouTube视频中的猫；到2014年11月，电脑甚至可以正确地将一张照片命名为一群玩飞盘的年轻人，所以人工智能研究人员欢呼期待深度学习会带来更多的成就。这种成功的算法模仿了大脑的思维方式，即通过接触发展对现实世界特征的敏感性。
通过使用最新的深度学习设计，科学家们越来越熟练地将人工神经元网络架构的计算机模型应用于图像、语音和模式识别等领域——它们是与机器个人助理、复杂的数据分析和自动驾驶汽车相关的核心技术。然而，除了培训计算机从其他无关数据中提取一些显著特征外，研究人员从未完全理解为什么这种算法或生物学习方法是可行的。
两位物理学家发现，深度学习的作用机制就像物理学中最重要、最常见的数学方法，即大规模物理系统行为的计算方法，常用于基本粒子、流体和宇宙学的计算。
波士顿大学的潘卡吉发现了这一点·梅塔（Pankaj Mehta）西北大学大卫·施瓦布（David Schwab）共同完成。它们证明了一种叫做重整化的东西（renormalization）统计技术可以让人工神经网络实现数据分类，比如在给定的视频中识别猫，无论它的颜色、大小或姿势。这种统计方法最初用于物理领域，使物理学家能够准确地描述大规模系统，而无需知道所有成分的准确状态。
潘卡吉·波士顿大学物理系助理教授梅塔(供图:潘卡吉)·梅塔）
埃默里大学说：这些原本只是梦中的事，他们竟然用确凿的证据写论文（Emory University）伊利亚，生物物理学家·内蒙曼（Ilya Nemenman）例如，统计物理领域的相关特征提取与深度学习领域的相关特征提取不仅相同，本质上也是如此。
我们人类掌握了一个特殊的技巧，可以区分灌木丛中的猫，人群中熟悉的面孔，或者我们周围的任何颜色、纹理和声音。生物学学习过程与机器深度学习的强烈相似性表明，大脑也采用了某种形式的重组来理解世界。
梅塔说：从数据中提取相关特征可能有一个共同的逻辑，梅塔说，我认为这是一个暗示，它告诉我们可能有类似的东西。
施瓦布、梅塔等研究人员认为，物理学家的技能和学习过程在对象或语音识别能和学习过程在哲学上是相似的，上述发现使这一观点正式化。施瓦布将重组过程描述为将一个非常复杂的系统精炼成它的基本部分，他说：这就是深度神经网络和我们的大脑一样努力做的。
分层学习
十年前，深度学习似乎没有成功。操作程序的计算机模型通常无法识别照片中的对象或音频记录中的口头语言。
杰弗里，英国多伦多大学的计算机科学家·辛顿（Geoffrey Hinton）与其他研究人员一起，设计了一个在多层虚拟神经元网络上运行的程序，可以通过放电开关向相邻的网络层发送信号。这种深度神经网络的设计灵感来自于人类大脑中视觉皮层的层次结构——它可以将光子流转化为有意义的感知。
当一个人看到猫穿过草坪时，大脑的视觉皮层会分层分析场景，即每个连续层的神经元放电，以响应更大、更明显的特征。一开始，如果检测到视觉区域的对比差异，即显示物体的边缘或端点，视网膜上的神经元就会放电并发出信号。这些信号将传输到更高层次的神经元，它们对边缘和其他越来越复杂的部分更敏感。当信号继续向上传输时，例如，猫胡子的视觉信号可能与另一只胡子的信号相匹配，它们可能与猫尖耳朵的视觉信号集成，最终触发顶部神经的激活，从而对应于猫的概念。
声明：本文内容采编自互联网，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请点击举报，一经查实，本站将立刻删除。
