按年被提到
20212021 · 4 次2026
机器学习与深度学习›科学机器学习·arXiv:2104.03902 · hep-th

The Autodidactic Universe

自学习宇宙
Stephon Alexander, William J. Cunningham, Jaron Lanier, Lee Smolin, Stefan Stanojevic, Michael W. Toomey, Dave Wecker · 2021

提出宇宙像机器学习一样自己学习物理定律的宇宙学构想

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 4 人首次 2021-04-10 · 最近 2022-01-02
4不同的人
3活跃月份
5讨论串
20被引(OpenAlex)

论文提出一种宇宙学思路:宇宙通过探索由一类矩阵模型表示的可能定律景观来学习自身的物理定律。作者建立了每个矩阵模型与规范/引力理论以及深度循环神经网络这类学习机器数学模型之间的对应,使物理理论的每个解对应神经网络的一次运行,但这种对应并非等价。他们还讨论了无监督的自学习系统中“学习”的含义,并考虑了图多样性优化、自注意力下的子集复制、强化学习引导的几何生成、重整化群结构学习等其他协议。

HN 为什么提它

HN 上的人是在看到相关文章后引用它的 arXiv 原文,用来说明“物理定律本身会学习和变化”这一构想。

观点难度 5 / 5约 120 分钟经得起时间
读之前最好知道
1神经网络与循环网络基础
2矩阵模型与规范/引力对偶(gauge/gravity)
3宇宙学与物理定律景观
4重整化群(renormalization group)

学习路径

读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径先看物理与深度学习之间的精确映射和神经网络描述世界的构想,再看把物理对称性融入网络的哈密顿神经网络,最后读宇宙自学习物理定律的构想。

  1. 1
    An exact mapping between the Variational Renormalization Group and Deep Learning变分重整化群与深度学习之间的精确映射 · 2014

    重整化群与深度学习之间的精确映射,是把物理理论对应到学习机器的早期范例。

    读变分重整化群与基于 RBM 的深度学习如何一一对应;抓住「粗粒化等于特征提取」的类比。

  2. 2
    Hamiltonian Neural Networks哈密顿神经网络 · 2019

    借用哈密顿力学让网络遵守守恒律,展示物理结构如何嵌入神经网络。

    读哈密顿量由网络学习、动力学由辛梯度给出的核心想法,以及守恒量如何自然出现。

  3. 3

    同一作者圈较早提出把世界看作神经网络的构想,目标论文是它的深化。

    读整体框架:物理系统与神经网络的类比,以及它与全息、引力等想法的联系;数学细节可略读。

  4. 4
    The Autodidactic Universe自学习宇宙 · 2021 · 就是这篇

    目标论文:构造矩阵模型的景观,并建立它们与规范/引力理论及循环神经网络的对应。

    读宇宙通过学习选择物理定律的构想,以及矩阵模型、规范/引力理论和学习机器之间的对应关系。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用delhanty · 2022-01

“From the article, link to the original paper on arXiv:”

贴出文章对应的 arXiv 原论文,讲会学习演化的物理定律
Physicists working with Microsoft think the universe is a self-learning computer原评论 ↗
被提交为 story · 4 次