神经网络的逻辑重构：哈密顿比特位零件-整体架构

我们引入了一个简单的初始工作系统，其中通过一种与标准人工神经网络方法根本不同的数据运算与学习规则来直接表示关系（如零件-整体）。任意数据可 straightforwardly 编码为图，其边对应来自小固定原语双目关系集合（如零件-整体、相邻）的代码；这种简单的关系编码并非附加项，而是内在于系统最基本组件之一。一种新型图-哈密顿算子计算这些编码之间的能量，基态表示图顶点之间所有关系约束的同时满足。该方法仅使用极低精度算术；计算成本相应较低，随图中边数线性增长。所得非典型架构可处理标准 ANN 示例，也能产生表现符号计算特征的表示。具体而言，该方法在数据中识别简单逻辑关系结构（零件-于；相邻），构建层次化表示以实现基于关系位置的编码推理，而非仅依赖统计表示。值得注意的是，推导了等效的 ANN 操作，识别一种特殊的嵌入向量编码，可能构成当前高级语义表示工作的有用方法。所实现系统的极简单当前状态邀请更多工具和改进。