学者论坛：从 Hopfield 网络到非 BP 算法——非传统学习规则的探索

非传统算法始终是人工智能领域寻求根本性突破的重要路径。本报告将首先回顾Hopfield网络与玻尔兹曼机的统计物理渊源，阐明其作为联想记忆模型与随机生成模型的理论根基及其固有局限。

在此基础上，重点介绍报告人课题组提出的非对称Hopfield网络及其配套的随机变异-优化选择规则。不同于以误差反传为核心的传统学习范式，该规则通过对神经元连接矩阵进行蒙特卡洛式的随机变异与优化选择，直接调控神经元局域场分布，从而在参数空间中呈现出混沌相、记忆相与混合相等丰富的动力学行为，并从根本上消除对称网络固有的伪吸引子问题。

报告将进一步展示这一非BP设计框架在深度网络（包括Transformer架构）以及离散深度网络中的最新拓展与性能表现，探讨统计物理视角下学习规则设计的替代性可能及其对理解深度网络内在机理的启示。

赵鸿，厦门大学物理科学与技术学院教授、博士生导师，国家杰出青年科学基金获得者。主要研究领域为统计物理、输运理论、非线性动力学以及机器学习等，在低维晶格热输运，布朗运动，非对称霍普菲尔德模型，机器学习预测等理论研究方面取得了一定的成绩。近年来，他领导的研究组基本解决了著名的FPUT问题，对经典晶格热化给出了一般性的结论。