神经网络的神经网络：更多不同

John Hopfield因其在物理学中获奖、Giorgio Parisi和Philip Anderson分别因其在2021年和1977年获奖的共同特点是无序性。引用Philip Anderson的话："更多不同"。这一原则在磁性系统和自旋玻璃中得到广泛验证。本文我们将其在Hopfield神经网络上进行测试，展示这些模型的集合在单个网络层次上不存在的涌现能力。这种集合被设计为具有层次关联哈贝比亚网络，不仅能完成标准模式识别，还能自发执行模式解耦。即当输入复合信号（如音乐和弦）时，能够返回单一组成元素（如构成和弦的音符）。本文我们限制于以Rademacher向量编码的音符及其混合物（即虚构状态）的和弦，使用从无序系统统计力学中借用的工具来研究此任务，得出使得模式解耦成功执行的模型控制参数条件。