用神经网络分类远和近

A：[远]

B：[近]

(A，B)—m*n*k—(1,0)(0,1)

假设有两个数据的集合A和B，元素都为到点O的距离，但让B中的元素都小于A。用神经网络二分类集合A和集合B。

 设r∈（0，1）

 用d+r和r作为训练集来训练网络，确保A>B.

 

按照假设1

完全相同的两个对象无法被分成两类，与之对应的分类迭代次数为无穷大，分类准确率是50%，50%。

 

当d逐渐减小，d+r与r之间测差异也将减小，当d=0时A=B这个网络将无法分类。也就是随着d的减小训练集A和B之间的差异也将减小，迭代次数增加。当d=0是迭代次数无限大A与B将合在一起。这时网络的分类准确率是50%，50%。表明当d=0是A与B无法相互区分。

(远，近)—m*n*k—(1,0)(0,1) 50% 50%，相当于一个双重态，O点到A和B的距离不同，但是却没法区分有什么差别。

想象一个无法区分距离远近的物理环境，比如在奇点中就应该无法区分距离的远近，因为空间为0.或者说当d=0时距离的远近相对这个网络来说是对称的。如果距离远近的对称性实现了破缺就意味着出现了一维的空间。因为至少在一维的空间里才可能区分距离的远近。

 

如果距离的破缺导致一维空间的产生，由此假设或者是距离的破缺导致了核力的产生，或者是核力导致了距离的破缺而产生了一维空间。因为核力的作用仅区分距离，一个维度足够了。