基于基尔霍夫电流定律的神经网络用于演化高阶感知
机器学习
2026-03-26 v1 人工智能
摘要
深度学习架构在结构上受生物学神经元的启发，尤其是大脑感觉通路的结构，已在学习数据表示方面取得了显著成果。尽管这些架构模仿了生物神经元的通信机制，但其信息编码和传输策略本质上与之不同。生物系统依赖于膜电位动态波动；相比之下，常规深度网络通过调整神经间连接强度来优化权重和偏置，缺乏一种系统性机制来联合刻画信号强度、耦合结构和状态演化之间的相互作用。为此，我们提出了基尔霍夫启发神经网络（KINN, Kirchhoff-Inspired Neural Network），这是一种基于基尔霍夫电流定律构建的状态变量基网络架构。KINN 从基本常微分方程中推导出数值稳定的状态更新，使单层能够显式地解耦并编码更高阶演化分量，同时保持物理一致性、可解释性和端到端可训练性。在偏微分方程（PDE）求解和 ImageNet 图像分类上的广泛实验表明，KINN 在性能上优于最先进的现有方法。
引用
@article{arxiv.2603.23977,
title = {Kirchhoff-Inspired Neural Networks for Evolving High-Order Perception},
author = {Tongfei Chen and Jingying Yang and Linlin Yang and Jinhu Lü and David Doermann and Chunyu Xie and Long He and Tian Wang and Juan Zhang and Guodong Guo and Baochang Zhang},
journal= {arXiv preprint arXiv:2603.23977},
year = {2026}
}