复杂网络中高阶相互作用的解析新范式：曲率神经网络模型
• 通过最大熵原理推广，提出“曲率神经网络”模型，利用Rényi熵变形统计流形，有效捕捉所有阶次的高阶相互作用(HOIs)。
• 模型自调节退火机制显著加速记忆检索，诱发爆炸式有序-无序相变，展现多稳态与磁滞效应。
• 解析性复刻技术揭示该模型在提升记忆容量和检索鲁棒性方面优于传统联想记忆网络。
• 实验验证基于CIFAR-100图像二值化编码，负曲率参数显著扩展记忆容量，正曲率则增强检索稳定性。
• 该框架为研究复杂系统中的高阶现象提供简洁且数学可控的模型工具，兼具理论深度与应用潜力。
• 研究成果对生物神经网络中的稀疏活动机制及能量效率、深度学习中的注意力机制及扩展记忆机制有重要启示。
全文详见🔗 nature.com/articles/s41467-025-61475-w
代码开源于🔗 github.com/MiguelAguilera/explosive-neural-networks
神经网络 高阶相互作用 爆炸相变 联想记忆 统计物理 人工智能
