关联记忆连续时间循环神经网络的非平衡热力学
无序系统与神经网络
2025-11-17 v1 统计力学
混沌动力学
摘要
连续时间循环神经网络(CTRNNs)因其建模复杂时序行为的能力而广泛应用，但其内部动力学往往难以解释。本文提出了一种新型CTRNNs类，基于具有非对称耦合的Hopfield式关联记忆。该模型将关联记忆的表达力与可计算宏观可观测量(编码特征)以及系统瞬时熵和熵耗散演化的数学描述相结合，为大规模非平衡网络的统计力学提供了桥梁。我们的结果表明，这些非平衡关联CTRNNs可以作为复杂序列编码网络的更可解释模型。
引用
@article{arxiv.2511.11150,
title = {Nonequilibrium Thermodynamics of Associative Memory Continuous-Time Recurrent Neural Networks},
author = {Miguel Aguilera and Daniele De Martino and Ivan Garashchuk and Dmitry Sinelshchikov},
journal= {arXiv preprint arXiv:2511.11150},
year = {2025}
}
备注
7 pages, 4 figures