神经网络社会中的挫败感、玻璃态行为与动力学退火

我们研究了以神经网络建模的智能体之间信息交换的最大熵机制，以及此类智能体组成的社会在若干情形下的宏观状态。基于熵的学习动力学中，惊奇（surprise）、对其他智能体的不信任以及对其自身观点的置信度浮现为本质要素。研究表明，学习由惊奇驱动，即接收智能体遭遇受不信任智能体给出的相同观点，或受信任智能体给出的相左观点。对惊奇的责任归因源于接收者对该发送智能体的不信任度量，以及接收者对其自身观点的置信度。动力学主要通过改变其中之一或另一者而推进：接收者对该议题的观点，或是对发送者的不信任。由 $N$ 个智能体组成、就一组议题交换二元观点的社会展现出丰富的行为，取决于议程的复杂性。对于较小议题集，社会达到极化成对立派系的稳态，其中“敌人的朋友是敌人”等平衡规范被严格满足。对于较大议题集，社会可在类自旋玻璃态中长期持续。存在两类挫败：意识形态型与情感型，其动力学退火特性取决于所讨论问题集的复杂性，导致在长瞬态中缺乏清晰界定的党派。