摘要
本文引入了位于黎曼流形上的连续变量记忆和神经元的广义Hopfield网络。重点研究特殊酉群SU(d)相关的对称空间,通过数值和分析方法证明其临界容量比向量网络提升近一个数量级。利用李代数方法在辅助希尔伯特空间中线性化描述经典神经网络。与传统Hopfield网络不同,SU(d) Hopfield的记忆召回对应于神经元沿 spiked 矩阵最大特征向量的对齐,抗随机串扰能力更强。文章还讨论了物理实现平台、基于Landau-Lifshitz-Gilbert动力学的物理召回机制,以及SU(3)下的RGB图像编码/解码协议,并展示了量子化后模型与Sachdev-Ye玻璃态模型的关联。
AI 推荐理由
论文核心研究广义Hopfield网络的记忆容量与恢复机制,直接对应记忆架构。
研究机构
Joint Quantum Institute, Department of Physics, University of Maryland, College Park, MD 20742, USA
论文信息