神经网络中的副本对称性破缺：迈向严格结果的几步

在本文中，我们改编了破碎副本插值技术（由Francesco Guerra开发用于处理Sherrington-Kirkpatrick模型，即耦合为独立同分布标准高斯变量的成对平均场自旋玻璃），使其也适用于Hopfield模型（即耦合根据Hebb学习规则绘制的成对平均场神经网络）：这是通过将Guerra的望远镜平均移植到最近由部分作者开发的输运方程技术上实现的。作为序曲，我们将该技术应用于求解具有中心在$J_0$且有限方差$J$的独立同分布高斯耦合的Sherrington-Kirkpatrick模型；均值$J_0$扮演了在由$J$调节的噪声环境中待检测信号的角色，因此使该模型成为在解决Hopfield模型之前研究的自然测试案例。对于这两个模型，我们在副本对称性破缺的第K步（K任意但有限）获得了以其自然序参量表示的淬火自由能的显式表达式。特别地，对于Hopfield模型，通过假设重叠遵循Parisi分解（遵循ziqqurat假设）且Mattis磁化强度是自平均的，我们恢复了先前通过副本技巧由Amit、Crisanti和Gutfreund（1RSB）以及Steffan和Kühn（2RSB）获得的结果。