الكريبتون 36 ترجم فريق تجميع الله المكتب، والتركيز على العلم والتكنولوجيا، والأعمال التجارية، والوظيفي، والحياة، ويسلط الضوء التكنولوجيا الأجنبية الجديدة، والأفكار الجديدة، والاتجاه الجديد.

التعرف على الصور على حد سواء دراسة متعمقة من أقدم الاختراقات، واحدة من أكثر التطبيقات الناجحة: ملاحظة المحرر. ولكن مع تطبيق في العمق، وعمق من أساليب التعلم التقليدية تشغيل تدريجيا من الحيل. بل ان البعض جعل صناعة الماشية الكبيرة تصرخ AI شتاء جديد قادم. في الآونة الأخيرة، ومع ذلك، والباحثين AI من قوانين الفيزياء للبحث عن الإلهام وجدت آلة يمكن التعرف على الأجسام عالية الأبعاد النهج، ثم الفيزياء اكتشف أن هذا التقدم من منظمة العفو الدولية يمكن أن تجعل حتى البحوث الفيزيائية أكبر المساهمة. هذا هو أن أعرض قراءة مقال بعنوان "قواعد التغيير التفاف الشبكة العصبية"، وJOHN PAVLUS، نشرت أصلا في مجلة كوانتا، يحق للمؤلف: الكمبيوتر هل تعلم انظر في العالي الأبعاد

الصورة يصور الرئتين شكل 3D - من المتوقع عمق تعلم تكنولوجيا جديدة لتحديد أكثر دقة ورم الرئة الاشعة المقطعية للمساعدة في جعل التشخيص الطبي أفضل

الكمبيوتر الآن قادرا على قيادة السيارة، ولعب الشطرنج والداما وكأنه كان لعبة متنها أكثر شدة من بطل العالم، أو حتى الكتابة المواد. هي إلى حد كبير بسبب قوة من نوع خاص من الشبكات العصبية الاصطناعية، التي هي مستوحاة من القشرة البصرية الوصلات العصبية الثدييات داخل مشتق طبقة ثورة AI. وتبين أن هذه "التفاف الشبكة العصبية" (CNN) ثنائية الأبعاد نموذج البيانات قدرة مذهلة على تعلم - وهذا أمر جيد خصوصا في AI المهام رؤية الكمبيوتر، مثلا، التعرف على خط اليد وصورة رقمية داخل الكائن.

ومع ذلك، إذا لم يتم إنشاء التطبيق في مجموعة البيانات الهندسة المستوية (على سبيل المثال نموذج غير النظامية نقطة سحابة المستخدمة في الرسوم المتحركة 3D الكمبيوتر، أو المركبات غير المأهولة ولدت حول البيئة رسم الخرائط) في الداخل، هذا الجهاز قوية تعلم هيكل على ولا تفعل بشكل جيد للغاية. بعد عام 2016، هناك تخصص جديد يسمى الهندسة التعلم العميق، وهدفها هو جعل CNN كسر حرة طائرة ثنائية الأبعاد.

وقد اقترح الباحثون الآن إطار نظري جديد يستخدم لبناء الشبكة العصبية يمكن أن تتعلم أي نموذج سطح الهندسي. من قبل مركز أبحاث كوالكوم AI من جامعة أمستردام تاكو كوهين، موريس ويلر، Berkay Kicanaoglu وماكس ويلينغ، الذي وضعه بالاشتراك مع "المعايير تغيير التفاف الشبكة العصبية" (عيار equivariant تلفيفي الشبكات العصبية، أو مواصفات CNN)، وليس فقط يمكن الكشف عن مجموعة 2D بكسل داخل نمط، ولكن أيضا يمكن الكشف عن الكرة وغير المتماثلة منحنية نموذج ثلاثي الأبعاد. وقال ويلينغ: "وبالنسبة للمشاكل في التعلم عمق السطح، وهذا الإطار هو الممكن تماما لتحديد الإجابة."

في دراسة محاكاة (تعيين الطبيعية فقط على المجال) بيانات نموذج المناخ العالمي، مواصفات لقد كان أداء CNN على نحو أفضل من كثير من الإطار السابق. قد يكون الخوارزمية لتحسين UAV مراقبة ثلاثية الأبعاد للأجسام وغير المأهولة رؤية مركبة تأثير مفيد على البيانات التي تم جمعها من الكشف القلب والدماغ أو غيرها من سطح غير منتظم للأنماط مخبأة الأجهزة أيضا دورا في تعزيز.

تاكو كوهين، كوالكوم وآلة الباحث التعلم في جامعة أمستردام، تصبح المعايير مهندس التفاف الشبكة العصبية

من أجل اختراق دراسة متعمقة المكانية ثنائية الأبعاد والباحثين حل مع المادية ترتبط ارتباطا وثيقا. مثل النموذج القياسي لفيزياء الجسيمات والنسبية العامة كما آينشتاين، الوصف النظري للعالم المادي تظهر ما يسمى ب "تغيير قواعد" للممتلكات. وهذا يعني أن عدد علاقته في هذا العالم لا تعتمد على أي إطار مرجعي (أو "المعيار")؛ سواء المراقب يتحرك أو ثابتة، وبغض النظر عن عدد بمقياس وكيف بعيدا تماشيها أ. يجب أن يكون على نطاق ومع مقياس مختلفة في علاقة ثابتة بين الطريقة الأساسية لابقاء الامور التحويل.

على سبيل المثال، لنفترض أن أول مدونة في وحدة قياس طول ملعب لكرة القدم، في متر ثم تقاس مرة أخرى. يجب قياس عدد خارجا، ولكن هذا يمكن التنبؤ به. وبالمثل، فإن اثنين من المصورين صورا لكائن من موقعين مختلفين لها صور مختلفة، ولكن هذه الصور يمكن أن تكون مرتبطة مع بعضها البعض. بغض النظر عن وجهة نظر أو وحدات القياس، تصبح المعايير يمكن أن نموذج اقع ضمان الفيزيائي متسقة. مواصفات البيانات التي CNN جعلت نفس الافتراض.

قال جامعة نيويورك الفيزيائي كايل كرنمر (كايل كرنمر): "(من الفيزياء) نفس الفكرة هي عدم وجود اتجاه خاص يريدون إدخالها في الشبكة العصبية. واضاف" انه سيتم تطبيقها على الجسيمات تعلم الآلة بيانات الفيزياء. واضاف "انهم برزت وسيلة".

التخلص من ثنائي الأبعاد

عام 2015، تم إنشاؤها إمبريال كوليدج لندن الكمبيوتر عالم مايكل برونشتاين على "التعلم العميق الهندسي" هي الكلمة لوصف للتخلص من جهد التصميم ثنائي الأبعاد ويمكن أن تتعلم نموذج البيانات غير مستو جديد الشبكة العصبية. هذا المصطلح وعمل البحوث ذات الصلة قريبا اطلاق النار حتى.

برونشتاين ومعاونيه تعرف، من أجل كسر الطائرة الإقليدية، فإنها تحتاج إلى إعادة التفكير في طريقة الحساب الأساسي، وهذا الأسلوب يسمح الشبكة العصبية تأتي 2D صورة فعالة بشكل خاص. وتسمى هذه الطريقة "التفاف"، ثم طبقة من الشبكة العصبية التي يقوم بإجراء عملية حسابية على قطعة صغيرة من البيانات المدخلة، واجتياز النتيجة إلى الطبقة التالية من الشبكة.

وأوضح برونشتاين: "بشكل عام، يمكن أن ينظر إليها على أنها نافذة انزلاق الإلتواء." الإلتواء فلتر الشبكة العصبية حيث أن العديد من هذه باسم "نافذة" انزلاق على البيانات لاكتشاف ما إذا كان هناك بيانات النمط. لقطة الصورة، تدريب CNN قد تستخدم مرشحات للكشف عن ملامح منخفض المستوى الأصلي الداخل المدخلات بكسل، ويقول الحواف. وسيتم نقل هذه الميزات إلى الطبقات الأخرى للشبكة، لأداء الإلتواء والآخر على مستوى أعلى استخراج ميزة، على سبيل المثال العين والأذن أو الذيل الثلاثي. سوف تلقى التدريب التعرف على القط CNN في نهاية المطاف استخدام نتائج هذه التفاف الهرمي للصورة بأكملها إلى تسميات تعيين (على سبيل المثال، "القط" أو "ليس القط").

هذا الرقم يدل على معلومات عن سفينة الشبكة العصبية مسح الصورة

ومع ذلك، هذا الأسلوب لا ينطبق إلا على الطائرة. وقال ويلينغ: "عندما يكون لديك لتحليل سطح يصبح منحنية، في الأساس ستكون في ورطة".

تجرى على سطح منحن (المشار المنوع الهندسة) الإلتواء الحساب، مثل تحمل قطعة صغيرة من ورق الرسم البياني شفافة على الأرض، ثم محاولة رسم بدقة نفس ساحل غرينلاند. أنت بأي حال من الأحوال حالة عدم وضع مربع من الورق التكويم ورقة غطت غرينلاند، مما يعني أنه عند ثم تمهيد الورق، ويصور الشريط الساحلي سوف تكون مشوهة. ومع ذلك، باستخدام مركاتور الإسقاط (المتوقعة على اسطوانة العالم، ومن ثم خرائط انتشار في شقة للبرميل خريطة اسطوانة، وتكون مجزأة من قبل سلسلة من تشوه الموازي ولحمة) سوف تنتج نفس التشوه. أو، يمكنك فقط وضع ورقة في إحداثيات خريطة العالم لطائرة بدلا من على وجه الأرض، ويمكن أيضا أن يتم نسخ ثم حتى هذه الاختلافات، ويقول، خريطة الحافة العلوية كلها في الواقع تمثل نقطة واحدة فقط من الأرض (القطب الشمالي ). وعلاوة على ذلك، إذا كان متعددة ليس كما أنيق كحالة المجال كروية، ولكن مماثل لشكل 3D من زجاجة أو ما شابه للطي من البروتين كائنات معقدة أو أكثر غير النظامية، ثم تعرض لحساب التلافيف على أنها سوف تصبح أكثر صعوبة.

عام 2015، وجدت برونشتاين ومعاونيه حل لعنوان غير الإقليدية مشكلة التفاف متعددة، نافذة انزلاق هو إعادة تخيل شكل دائري مثل بيت العنكبوت من الورق بدلا من الإحداثيات، حتى أن اضغط عليه إلى الأرض (أو أي سطح منحن) لن يؤدي إلى الانحناء، وتمتد أو المسيل للدموع.

تغيير فلتر بهذه الطريقة الملكية انزلاق يسمح للCNN أفضل "فهم" بعض العلاقات الهندسية. على سبيل المثال، يمكن للشبكة العصبية التعرف تلقائيا عازمة في موقعين مختلفين من شكل 3D (على سبيل المثال، صورة والوقوف على ساق واحدة صورة رفعت) هي حالات من نفس الكائن، بدلا من اثنين كائنات مختلفة تماما . كما يجعل هذا التغيير العصبية كفاءة التعلم شبكة تحسنت كثيرا. وقال برونشتاين مستوى CNN "إلى شكل استخدام الملايين من العينة، والحاجة لتدريب لعدة أسابيع، ونحن لم تكن الا شكل حوالي 100 نوعا من ضعيات مختلفة، وتدريب تكن الا حوالي نصف ساعة."

وفي الوقت نفسه، تاكو كوهين وزملاؤه في بدايات أمستردام في الاتجاه المعاكس لحل نفس المشكلة. بحلول عام 2015، كان كوهين لا يزال طالبا في الدراسات العليا ولم يدرس لمعرفة كيفية التخلص من عمق الطائرة. بدلا من ذلك، وقال انه يعتقد المشاكل الهندسية العملية جدا مهتمة جدا: هذا هو، أداء البيانات، أو أن القطار الشبكة العصبية تحتاج عادة الآلاف أو الملايين من العينات، كيف يمكننا الحد من هذا العدد؟ وقال كوهين: "أسلوب التعلم عمق يمكن أن يكون بطيئي جدا" إذا تم استخدام التدريب للتعرف على القط CNN (الإنترنت لا تفتقر الصورة القط)، فإنه ليس ما يقرب من المشكلة. ومع ذلك، إذا كنت ترغب في شبكة للكشف عن العناصر أكثر أهمية، لالعقيدات سرطان الرئة سبيل المثال داخل الصورة، ثم كنت تريد أن تجد بيانات التدريب الكافي (مطلوب للعلامة دقيقة عن أي قضايا الخصوصية الطب والمناسب) لا سهلة. تدريب عينة المطلوبة شبكة أفضل.

كوهين المعروف، أسلوب واحد لتحسين كفاءة البيانات من الشبكة العصبية هو مقدما البيانات افتراضات معينة - على سبيل المثال، وأورام الرئة في صورة استدارة أو معكوسة بعد بقايا سرطان الرئة. بشكل عام، يجب تدريب شبكات التفاف مع نفس النموذج العديد من العينات في اتجاهات مختلفة للتعلم من الصفر من أجل فهم المعلومات. عام 2016، كوهين ويلينغ شارك في تأليف ورقة، وتعرف المادة كيف أن بعض من هذه الافتراضات التماثل الهندسي المشفرة في الشبكة العصبية. هذا الأسلوب يعمل بشكل جيد، جيد إلى عام 2018، تفحص كوهين وشارك في تأليف Marysia Winkels حتى مدد أخرى إلى CT لتحديد سرطان الرئة. نتائج تكون مرضية: أخذت شبكتهم العصبية فقط عشر من بيانات الشبكة العصبية الأخرى يمكن تحديدها من قبل الأدلة البصرية للمرض.

يواصل الباحثون أمستردام لتلخيص. وجدوا الأعراف ذلك على وجه السرعة التغيير.

توسيع منحدر

الفيزياء والتعلم الآلي وأوجه التشابه الأساسية. وقال كوهين مثل ذلك: "تشارك مجالين لجعل الملاحظة، ثم نماذج بناء على التنبؤ الملاحظات المستقبل". وأشار إلى أن النقطة الأساسية هي أن هذين المجالين لا يبحثون عن نماذج فردية من الأشياء ( وصف لذرة الهيدروجين، يتم عكس ذرة الهيدروجين وصف آخر هو سيء)، ولكن الفئات العامة للنمذجة الأشياء. واضاف "بالطبع، كانت الفيزياء في هذا الصدد ناجحة جدا."

المنحدر (أو الفيزياء يفضلون "التغاير") هو نموذج يعتمد على افتراضات الفيزيائي منذ لخص اينشتاين. A الفيزياء النظرية في جامعة أمستردام ميراندا تشنغ (مع كوهين، الذي شارك في كتابة ورقة لاستكشاف العلاقة بين الفيزياء والمواصفات CNN) ويوضح: "وسائل هذا ببساطة أنه إذا كنت تصف بشكل صحيح بعض الظواهر الفيزيائية، ثم ينبغي أن يكون أي نوع من "حاكم" لعلاقة معك، أو نقطة أعم، وأنت لا علاقة لها أي نوع من المراقبة "كما قال آينشتاين نفسه في عام 1916 التي :." ينبغي التعبير عن القوانين العامة للطبيعة في جميع أنظمة تنسيق تنطبق على المعادلة. "

الفيزياء جامعة أمستردام ميراندا تشنغ

على استخدام مثال بسيط لهذا المبدأ، "ترجمة وغيرها من التغييرات"، أصبح التفاف عمق شبكة التعلم واحدة من أكثر الطرق نجاحا. الكشف عن ميزة في الصورة (مثل حافة العمودي) للمرشح نافذة سوف تنزلق بكسل الطائرة (أو "تحول"))، ومواقف كل من هذه الحواف العمودية الترميز، بعد ذلك، لتحديد موقف من هذه العلامات "خصائص الطيف"، ويمررها إلى الطبقة التالية من الشبكة. لأن خلق مع الترجمة وغيرها من التغييرات، الطيف من سمات ممكن: الشبكة العصبية "يفترض" يمكن أن تظهر نفس الميزات في أي مكان في طائرة 2D، وبغض النظر عن الحواف العمودية تظهر على اليمين أعلى أو أسفل الزاوية اليسرى أنه يمكن التعرف على حافة العمودي حافة العمودية.

وقال ويلر: "يتم وضع تغيير مفتاح مثل الشبكات العصبية في هذه التماثل الواضح داخل هيكل الشبكة، والذي يشبه إلى حد ما وجبة غداء مجانية".

لعام 2018، ويلر، كوهين والدكتور معلمه ماكس ويلينغ وسعت نطاق هذه "وجبة غداء مجانية"، وهكذا سوف تدرج أيضا اختلافات أخرى. هم "مجموعة ويصبح بذلك" (جماعة equivariant) الاتجاه CNN دون دوران أو يعكس عينات التدريب للكشف عن وجود هذه الميزات على متن الطائرة صورة، ويمكن أن تنشأ CNN نمط كروية حيث البيانات الموجودة على سطح الكرة دون الحاجة إلى تشويه إسقاط مستو.

هذه الطرق العامة لا تزال غير كافية، وتجهيز وعرة لا يمكن، هيكل المتعددة غير منتظم (للبروتينات من البطاطا، إلى جسم الإنسان، حتى في الفضاء المنحني، ويغطي تقريبا كل من هندسة الكائن) البيانات. للشبكات العصبية، وهذه الأنواع من الفتحات التماثل "العالمي" يسمح للشبكة العصبية لجعل الافتراضات منحدر: موقف فوقهم لأن كل واحدة مختلفة.

مع تظهر اثنين من اسطوانات أفقية على سطح حساب التفاف الأبعد

ويتمثل التحدي مختلفة اعتمادا على المسار المحدد، فإن مرشح مستو من تغيير فلتر يكون اتجاه سطح انزلاق. تخيل نموذج بسيط للكشف عن (بقع الظلام اليسرى، وبقع الضوء إلى اليمين) للمرشح. الشريحة صعودا وهبوطا في الطائرة من هذا الفلتر عيون، وسوف يكون دائما عقدت مكشوفة. ومع ذلك، حتى لو كان على سطح الكرة، فإنه سيتم تغيير. إذا كانت تتحرك مرشح مجال 180 درجة حول خط الاستواء، والاتجاه للمرشح لم يتغير: بقع داكنة اليسرى، وبقع الضوء إلى اليمين. ومع ذلك، إذا كانت الكرة في القطب الشمالي، ثم الانزلاق إلى نفس النقطة، فإن مرشح أن يكون رأسا على عقب - الجانب الأيمن من البقع الداكنة والبقع الخفيفة إلى اليسار. ومرشح لا يكشف وجود بيانات من نفس النمط أو ترميز نفس الطيف مميزة. الانتقال تصفية على الفتحات أكثر تعقيدا، وسوف نشير في النهاية إلى التضارب في اتجاهات عديدة.

لحسن الحظ، الفيزيائيون منذ أينشتاين تم التعامل مع نفس المشكلة وإيجاد حل: قواعد التغيير.

وأوضح ويلينغ، والمفتاح هو لا قلق حول كيفية الاتجاه تتبع تختلف منها على طول مسارات مختلفة عندما تتحرك التصفية. بدلا من ذلك، يمكنك تحديد اتجاه واحد فقط (أو مواصفات)، ومن ثم تحديد طريقة متسقة مع تغيير اتجاه كل الاتجاهات الأخرى.

وهذه النقطة هي أنه على الرغم من أي مقياس يمكن استخدامها في الاتجاه الأصلي، ولكن طريقة تحويل مقياس الآخرين يجب أن تحتفظ نفس الإطار المرجعي الأساسي لل- كما يتم تحويل سرعة الضوء من متر ثواني ميل بالساعة يجب الإبقاء على نفس الكمية الفيزيائية الأساسية. مع هذه المعايير تغيير الأسلوب، وقال ويلينغ "، فإن العدد الفعلي تصبح، وإنما هو وسيلة يمكن التنبؤ بها تماما للتغيير."

وكوهين، ويلر ويلينغ في 2019 أصبح المعايير (الطبعة النهائية من "وجبة غداء مجانية") مكتوبة في التفاف على الشبكات العصبية في الداخل. أنها تعطي الشبكة العصبية من خلال التفاف يمكن "رؤية" ما طبقت البيانات القيود الرياضية لتحقيق هذا الهدف؛ الوسيلة الوحيدة لقواعد التغيير من خلال طبقات مختلفة من الشبكة. بنت من الطائرة الكائن إلى أي إقليدس، بما في ذلك المفرد المنوع مماثلة زجاجة كلاين أو بعد رابع، وما شابه ذلك، في ويلينغ قال: "في الأساس، يمكنك إعطاء أي سطح منحدر مواصفات، الذي السطحية التي عمق التعلم مفيد جدا ".

أعمال

يصبح أيضا المعايير العالمية CNN، وذلك من قبل على عمق هندسة يمكن أن تشمل على التعلم التلقائي بنيت يفترض - لدوران الكرة والترجمة مع مرشحات مختلفة. حتى أوائل طريقة مايكل برونشتاين، التي تسمح للشبكة العصبية إلى وسيلة لثني واحد 3D شكل مواقف مختلفة، الخ يصبح أيضا متوافقة. برونشتاين الحديث: "قواعد التغيير إطارا واسعا جدا من ما قمنا به في عام 2015 هو أنه حالة خاصة".

أي نظرية السطح المنحني يمكن تطبيقها على أي مواصفات CNN البعد، وقد استخدمت كوهين وزملاؤه بيانات المناخ العالمي (يجب أن يكون البيانات بنية كروية 3D) سيتم اختبارها. وهم يستخدمون التغيير لبناء إطار من المعايير CNN، لتدريب للكشف عن أنماط الظواهر الجوية المتطرفة من بيانات محاكاة المناخ، مثل الأعاصير المدارية. عام 2017، تم الكشف عن الحكومة والأكاديمي الباحثون باستخدام معيار شبكة البيانات الإلتواء في زوبعة، ودقة 74، في العام الماضي وصلت مواصفات الإعصار الكشف عن دقة CNN، 97.9. (هذه النتيجة أيضا تجاوز 2018 خصيصا لالهندسي مجال التعلم تصميم عمق أقل شيوعا، والتي كانت دقة 94).

وقال مختبر لورانس بيركلي الوطني (مختبر لورانس بيركلي الوطني) علماء المناخ مايور Mudigonda أن تطبق التعلم عميق جدا انه سيستمر في التركيز على CNN موحدة. وقال: "إن المخابرات البصري الإنسان في هذا الصدد، أنه بغض النظر عن أي اتجاه يمكن أن تحدد بدقة أنماط إلى ذلك، ونحن نريد القدرة على تحويل هذا المناخ داخل المجتمع." رقاقة كوالكوم العملاقة حصلت مؤخرا كوهين وخلق ويلينغ شركة البدء، والرجلين تكبدها تحت، والعمل في وقت مبكر إلى قواعد أصبحت الشبكات العصبية في الداخل. الآن، تخطط شركة كوالكوم لتوحيد على نظرية CNN إلى تطوير وتحسين التطبيقات رؤية الكمبيوتر، مثلا يمكن في وقت واحد "رؤية" UAV 360 درجة. (بيانات المناخ العالمي مثل يمكن تعيين بطبيعة الحال إلى وجهة نظر عين السمكة من العالم على سطح كروي.)

وفي الوقت نفسه، CNN أصبحت شعبية متزايدة في مواصفات مثل كرنمر بين علماء الفيزياء، وأنها تخطط لصفقة مع بيانات محاكاة التفاعلات الجسيمات دون الذرية. وقال كرنمر: "نحن تحليل البيانات المتعلقة قوية، في محاولة للحديث داخل الحل بروتون" وقال ان هذه البيانات رباعي الأبعاد، "لذا علينا أن نغير هذه المواصفات مثل توفر الشبكات العصبية في حالة استخدام الكمال. "

الفيزيائي السابق، وقال أصبح الآن البحث الشبكة العصبية الريسي كوندور، CNN مواصفات التطبيقات العلمية المحتملة قد تكون أكثر أهمية من استخدامه في AI بين.

وقال: "إذا كنت تفعل القط على تحديد موقع يوتيوب، ولكن وجدت نفسي يست جيدة جدا في تحديد القط رأسا على عقب، قد تشعر ليست جيدة جدا، ولكن قد تكون ايضا قادرة على تحملها." لكن بالنسبة لعلماء الفيزياء من المهم جدا للتأكد من أن الشبكة العصبية لن يكون بسبب اتجاه المجال القوة أو مسارات الجسيمات أخطأ في التعرف. وقال كوندور: "هذه ليست مشكلة فقط غير مريح، والمفتاح هو احترام التماثل الأساسي".

على الرغم من أن فيزياء رياضية مستوحاة ولادة مواصفات سي إن إن، وعلماء الفيزياء قد تجد الكثير من غير مجدية لتنظيم CNN، لكنه أشار كوهين إلى أن هذه الشبكة العصبية في حد ذاته لا تجد أي قوانين جديدة للفيزياء. وقال: "نحن الآن قادرون على تصميم يمكن التعامل مع شبكة البيانات غريبة جدا، ولكن يجب أن تعرف بنية هذه البيانات." وبعبارة أخرى، والسبب في الفيزياء يمكن تنظيم CNN، لأن أينشتاين أثبت الزمكان رباعي الأبعاد يمكن أن يمثله الفتحات المنحنية. الشبكة العصبية الخاصة كوهين هو "الامر يتوقف" وفي إطار هذا الهيكل. وقال: "نحن لا دراسة التماثل"، لكنه يأمل أن تكون قادرة على تعلم هذه المهارة.

وكانت هذه الجمعية التخصصات مرة واحدة كوهين الحدس، والآن بطريقة رياضية صارمة لإثبات كوهين أنا سعيد للغاية. وقال: "لقد شعرت دائما التعلم الآلي والفيزياء يفعلون شيئا مماثلا جدا وأعتقد أن هذا هو حقا رائع جدا: بدأنا يتساءل مجرد مشكلة هندسية، وكما نحسن ببطء نظمها الخاصة، ونحن وجدت تدريجيا أكثر وأكثر أهمية ".

الترجمة: boxi.