自学的宇宙

我们提出一种宇宙学方法，其中宇宙学习其自身的物理定律。它通过探索可能定律的景观来实现这一点，我们将这些定律表达为某一类矩阵模型。我们发现了将每个此类矩阵模型同时对应于一个规范/引力理论和一个学习机数学模型（如深度循环、循环神经网络）的映射。这建立了物理解与神经网络运行之间的对应。该对应并非等价，部分原因在于规范理论从矩阵模型的 $N \rightarrow \infty$ 极限中涌现，而此处所用神经网络的相同极限并未良好定义。我们详细讨论了在无人监督的自学系统中所谓学习意味着什么。我们提出，若神经网络模型可被称为无监督地学习，则相应物理理论亦可作相同论断。我们考虑了其他自学物理系统的协议，如图多样性优化、使用自注意力与前瞻的子集复制、由强化学习引导的几何生成、使用重整化群技术的结构学习及扩展。这些协议共同提供了若干方向，用以基于将机器学习架构与物理理论相对应来探索物理定律的起源。