神经网络权重与核子的波函数

(A,B)---m*n*k---(1,0)(0,1)

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%。相等收敛标准下迭代次数越大表明二者差异越小。

如果将神经网络的训练集理解为Fock矩阵，把权重看作波函数的系数，则神经网路的收敛过程可理解为求本征态的过程。那如何理解随着收敛误差的减小迭代次数越大，分类准确率越大的现象？

按照假设1可以认为迭代次数大表明两个被分类对象变得更加相似，但训练集显然是不会随着收敛误差的减小而变化，所以相似的是什么？

可以把本征方程组拆成WA和WB的方程组，网络收敛显然就是求WA=WB的过程，收敛误差越小，|WA-WB|的误差越小，也就是WA与WB越一致。所以收敛过程让两个粒子的波函数变得一致。

神经网络的衰变假设：粒子A和B彼此互为粒子和环境，在相互作用中被彼此衰变，网络的分类准确率是两个粒子衰变剩余的算术和pave=Σpr。

考虑分类准确率和衰变剩余两个概念内在含义的相似性，可以理解如果粒子和环境越相似则这个粒子越稳定，能级越低，越不容易衰变，分类准确率越高。

因为电子的运动并不会对粒子的衰变有影响，如果让这个解释是正确的，W只能是核子的波函数。所谓的外部环境就是另一个成核的核子，这符合核力是短程力的特征，并满足因果律。