全息原理即深度学习

具有指数级大自由度的量子多体问题可以通过神经网络方法\cite{CT}简化为可处理的计算形式。基于深度学习的深度神经网络（DNN）的能力通过将它映射到重整化群（RG）而得到阐明，这可能通过识别一系列RG变换与AdS几何的对应关系，为全息原理提供启示。在本文中，我们表明任何反映RG过程的网络都具有内禀双曲几何，并讨论编码在DNN图中的纠缠结构。我们发现深度神经网络的纠缠结构具有Ryu-Takayanagi形式。基于这些事实，我们认为全息引力理论的涌现与量子场论的深度学习过程有关。