本研究提出了一种结合人工库拉莫托振荡神经元与阈值单元的耦合机制，阐明了两者在神经编码中的不同功能，成功实现了Hopfield-库拉莫托关联记忆模型，展现出在大语言模型微调中的优化潜力。

本文研究了特定结构属性的复值霍普菲尔德神经网络(CvHNNs)的动态特性，发现新型复值矩阵在并行更新模式下可实现长度为八的周期，为改进联合记忆模型提供了重要见解。

本研究提出了一种结合霍普菲尔德网络与深度学习的框架，旨在解决大数据环境中的数据质量和语义完整性问题。该框架通过识别和链接语义相关属性，提高了数据整合和消歧的准确性，实验结果表明其有效增强了数据集的上下文意义。

本研究提出了一种修正拉格朗日方法（RegLag），旨在优化现代霍普菲尔德网络在外部分布样本检测中的不足，通过引入外部分布样本的吸引子，显著提高了识别准确性。

2024年诺贝尔物理学奖授予Hinton和Hopfield，以表彰他们在人工神经网络和机器学习方面的贡献。Hinton离开谷歌后成为CuspAI顾问，专注于利用AI开发应对气候变化的新材料。CuspAI获得3000万美元融资，致力于碳捕获技术，推动可持续发展。

2024年诺贝尔物理学奖授予普林斯顿大学的John J. Hopfield教授和多伦多大学的Geoffrey E. Hinton教授，表彰他们在人工神经网络和机器学习领域的贡献。Hopfield创建了联想记忆网络，Hinton发明了Boltzmann机。人工神经网络的发展推动了深度学习在计算机视觉和自然语言处理中的应用。

诺贝尔物理学奖授予AI先驱Hinton和Hopfield，表彰他们在神经网络领域的贡献。Hopfield创建了Hopfield网络，Hinton提出了玻尔兹曼机，推动了深度学习的发展。Hinton也是2018年图灵奖得主。

本文介绍了一种新型Hopfield神经网络，具备连续状态和更新规则，能够存储大量模式并实现高效检索。研究探讨了原型形成、学习性能与数据集噪声的关系，展示了网络在多原型数据上的稳定性和对抗性鲁棒性，揭示了其在机器学习和生物系统中的应用潜力。

我们提出了一种用于深度学习兼容的现代 Hopfield 模型的非参数构建方法，并利用该框架推出了一种高效的变体。

STanHop-Net是一种具有增强记忆能力的多变量时间序列预测模型，使用稀疏学习和存储时间和跨系列表示的Hopfield网络块。它通过堆叠STanHop块来构建多分辨率特征提取，包括两个外部记忆模块用于记忆增强。实验证明该模型在合成和真实世界环境中有效。

调查现代Hopfield模型的内存检索动力学的计算限制，发现基于模式的范数的效率存在相变行为，仅在范数低于某个临界值时存在亚二次的高效模型；在此条件下进行内存模式的线性检索和输入查询序列的处理，证明了计算时间与存储模式数量和查询序列长度线性扩展的下界，并证明了其内存检索误差边界和指数级内存容量。

该文介绍了一种稀疏的现代 Hopfield 模型，实现了稀疏注意机制和记忆检索动态，并提供了稀疏度相关的记忆检索误差界。实验结果表明，稀疏 Hopfield 模型在许多情况下优于其密集对应物。

Ising 模型 Ising 模型最早是由物理学家威廉·冷次在 1920 年发明的，他把该模型当成是一个给他学生恩斯特·易辛的问题。易辛在他一篇 1924 年的论文 1 中求得了一维易辛模型的解析解，并且证明它不会产生相变。 二维方晶格易辛模型相对于一维的难出许多，因此其解析的描述在一段时间之后才在 1943 年由拉斯·昂萨格给出 2。 Ising...