京都大学等开发出实现爆发性记忆唤起的神经网络，弯曲的统计流形催生新理论

京都大学等国际团队开发出基于弯曲统计流形的新神经网络模型“曲面神经网络”，实现了爆发性记忆唤起，并提出统一理论框架。以下是具体内容：一、研究背景与动机在复杂系统中，高阶相互作用（如大脑生物网络中的信息表达）对产生创造性变化和多样化行为至关重要，但传统理论框架无法统一解释此类现象。京都大学岛崎秀昭副教授团队联合西班牙、日本、英国学者，通过扩展统计物理学的最大熵原理，提出“曲面神经网络”（Curved Neural Networks）模型，旨在揭示高阶相互作用如何影响记忆唤起及神经网络性能。图1：以在弯曲的神经网络上玩耍的孩子表示爆发性记忆唤起（插图：Robin Hoshino）二、核心理论创新扩展最大熵原理至雷尼熵传统模型依赖指数型分布，仅能描述成对相互作用；新模型采用基于雷尼熵的变形指数分布，通过调整变形参数（正/负值）构建不同曲率的统计流形：正曲率（球面型）：变形参数为正时，网络呈现有序结构。负曲率（鞍型）：变形参数为负时，网络呈现多稳态结构。即使低阶模型（如仅描述成对相互作用的网络），也能通过曲率自然融入高阶相关性，形成统一框架。爆发性相变与多稳定性平均场分析证明：有序-无序相变和自旋玻璃相变以爆发性形式（非连续变化）出现，且存在多个记忆同时稳定的区域。动态平均场分析与路径积分法揭示：系统存在自我调节退火机制，温度随网络状态变化，加速记忆唤起。副本法定量分析发现：负变形参数增加记忆容量，正变形参数抑制虚假记忆，形成精度与容量的权衡结构。三、实验验证与成果数值模拟验证使用机器学习常用视觉图像数据集（未具体命名）进行测试，结果证实：记忆唤起的精度、速度及虚假记忆混入度随曲率调整显著变化。负曲率流形提升记忆容量，正曲率流形优化记忆稳定性。理论框架的统一性该研究为理解记忆模型中的爆发性相变、多稳定性及精度-容量平衡提供了统一理论，填补了高阶相互作用理论框架的空白。四、研究意义与应用前景深化大脑机制理解新建模方法可捕捉生物神经细胞的高阶统计特征，为探索自然智能（如大脑信息处理）提供线索。阿基雷拉研究员指出：框架或提升图像/语言生成AI的信息编码能力。优化人工神经网络设计莫拉雷斯主任强调：广义最大熵原理无需参数指数级增长即可有效捕捉高阶相互作用，使研究爆发性有序-无序相变成为可能。罗萨斯助教提到：自我调节退火机制（类似模拟退火法但具反馈特性）为人工神经系统的自我控制提供新思路。AI设计新指南岛崎副教授总结：研究提出记忆快速唤起与适应性控制框架，为AI设计提供新方向，例如通过调整统计流形曲率优化性能。五、研究者观点摘要阿基雷拉：期待新方法推动大脑机制研究与AI架构升级。莫拉雷斯：广义最大熵原理高效捕捉高阶相互作用，避免参数爆炸。罗萨斯：自我调节退火机制揭示生命系统反馈特性的普适性。岛崎：从简单想法出发，通过国际合作揭示记忆唤起的意外行为，为AI设计提供理论支撑。六、论文信息期刊：Nature Communications论文标题：Explosive neural networks via higher-order interactions in curved statistical manifoldsDOI：http://doi.org/10.1038/s41467-025-61475-w该研究通过数学理论与实验验证的结合，为复杂系统中的高阶相互作用提供了可解释的框架，未来或推动神经科学与人工智能领域的交叉创新。