研究者开发了一种热力学理论用于机器学习系统，将其看作具有不同状态的系统，并将模型训练和更新解释为状态相变的过程。他们引入了温度的概念，并推导了系统在相变过程中的温度，突出温度作为系统数据分布和机器学习训练复杂性的重要指标。他们还将深度神经网络视为具有全局温度和每层局部温度的复杂热能引擎，并根据工作效率对神经网络进行分类。