神经微分流形：具有显式几何结构的体系结构

本文引入了神经微分流形（Neural Differential Manifold, NDM），这是一种将几何结构显式融入核心设计的新型神经网络架构。不同于常规欧几里得参数空间，NDM 将神经网络重新概念化为一个可微流形，其中每一层作为局部坐标图运作，网络参数直接参数化流形上每个点的黎曼度张量。该架构由三个协同层组成：坐标层通过受规范化流启发的可逆变换实现平滑坐标图之间的转换；几何层通过辅助子网络动态生成流形的度量；演化层通过双目标损失函数优化任务性能与几何简洁性。该几何正则化惩罚过度曲率和体积扭曲，提供内在正则化，增强泛化能力与鲁棒性。该框架实现了与学习得知流形几何一致的自然梯度优化，同时通过赋予内部表示明确的几何意义，实现前所未有的可解释性。我们分析了该方法的理论优势，包括更高效的优化、增强的持续学习能力，以及在科学发现和可控生成建模中的应用。尽管仍存在显著计算挑战，但神经微分流形代表了向几何结构化、可解释且高效深度学习系统转变的根本性变革。