基于二维团簇变分法的自由能最小化：初始代码验证与确认

一种面向通用人工智能（GAI）的新方法建立在神经网络深度学习架构之上，可利用一个或多个隐藏层，这些隐藏层即使在输入刺激移除后也能持续达到自由能最小值，从而支持多种可能的行为。该方法至今未被发展的一个原因是缺乏合适的自由能方程。团簇变分法（CVM）提供了一种刻画二维局部模式分布（即构型变量）的手段，并给出了以这些构型变量表示的自由能形式体系。对于双态单元等概率分布的情形，这些构型变量的平衡分布由单一相互作用焓参数 h 定义。对于非等概率分布，平衡分布可通过给定处于激活态的单元比例（x1）的固定值来刻画，该比例对应于每单元激活焓的影响，同时结合成对相互作用焓参数 h。本文对计算由不同相互作用焓参数（即 h 值）表征的二维 CVM 网格的构型变量与热力学值的代码进行了验证与确认（V&V）。该工作为试验基于二维 CVM 的隐藏层奠定了基础，该隐藏层可作为对输入严格响应的替代方案，也能独立达到自身的自由能最小值，并在扰动后返回自由能最小化状态，从而支持一系列输入无关的行为。二维 CVM 网格的另一用途是：通过以相应 h 值（连同其 x1 值）刻画局部模式，我们获得了定量刻画不同神经地形类型的方法。