文/陈根
人工神经网络是人工智能深度学习算法的基础结构，大致模仿人类大脑的物理结构。当你为神经网络提供训练样例时，它会通过人工神经元层运行它，然后调整它们的内部参数，以便能够对具有相似属性的未来数据进行分类。举个简单的例子，如果你使用猫和狗的样本图像训练神经网络，它将能够告诉你新图像是否包含猫或狗。
但由于神经网络过分依赖数据，引导了神经网络的犯错，一些错误对人类来说似乎是完全不合逻辑甚至是愚蠢的，可以说人工智能离人工智障也就是一步之遥。例如，2018年英国大都会警察局用来检测和标记虐待儿童图片的人工智能软件就错误地将沙丘图片标记为裸体。
前一阵子引起惶恐的丰巢智能快递柜刷脸功能就被小学生破解，一群小学生只用一张打印照片就能代替真人刷脸，骗过“人工智能”快递柜，取出父母的包裹，就是典型的人工智障操作，值得一提的是，由于现阶段人工智能的技术局限，经常出现人工智障的行为，这也引起了学界的研究和开发。
如何才能让人工智能神经网络预测或响应系统中的混沌状态，脱离人工智障的经常性行为，对于从改善从医疗诊断、到无人自动驾驶等的人工智能的应用都具有重要意义。
近日，北卡罗莱纳州立大学非线性人工智能实验室的科学家发现，对神经网络进行物理教学可以使这些网络更好地适应其环境中的混乱情况，将可以改善从医疗诊断、到无人自动驾驶等的人工智能应用。其研究的论文成果已发布在《物理评论E》上。
研究人员通过将物理学中的哈密顿函数引入人工智能神经网络，可以更好地使其“看到”系统中的混乱并做出相应的调整。哈密顿函数体现了有关物理系统动态的完整信息，即存在的所有能量，动能和势能的总量。
举例来讲，一个摆动的摆锤，它随着时间在空间中来回移动。如果只是观察该摆的每一刻的运动，无法告诉您摆锤在摆动将在弧度的哪里或下一步在哪里。常规的神经网络是这样从摆的快照中进行操作。然而熟悉哈密顿向量场的神经网络，会全面了解摆的整个运动，即摆在哪里、将摆在哪里、或可能摆在哪里、以及摆在其中的能量。
研究人员认为，哈密顿量实际上是赋予神经网络学习秩序和混乱的能力的“特殊调味品”或“聪明药”。 有了哈密顿量，神经网络就能以一种常规网络无法认知的方式来理解潜在的动力学，这是迈向现代物理学的神经网络的第一步，也将帮助我们解决人工智能的更多难题。
