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。

稀疏现代Hopfield模型通过稀疏熵正则化推导出闭式能量，实现稀疏注意力与记忆检索，并证明其一步近似等价于稀疏注意力机制，给出稀疏度相关的误差界，保持快速收敛与指数级存储容量。实验表明，该模型在合成和真实数据集上常优于密集模型。

该文综述Hopfield网络研究进展，涵盖量子算法实现内容寻址存储并用于基因识别、随机图缩放律与相图分析、多项式交互提升存储容量、稀疏现代Hopfield实现稀疏注意与记忆检索、最小概率流设计高噪声容忍网络以求解隐藏社团问题、连续关联记忆扩增序列容量、教师-学生自监督学习模型，以及连续状态网络作为深度学习层提供池化、记忆与注意机制。

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...