自诞生之初，机器学习和物理学便有着十分紧密的关联。早在1982年，John Hopfield就进行了第一步尝试，他在神经网络和物理学之间建立了第一座互通有无桥梁。Hopfield发现，在物理学中，一个由相互作用的粒子组成的粒子群物理系统中，粒子间通常会产生一些形似磁性力的作用现象。
 
Hopfield于是将这种相互作用的现象借鉴到了神经网络模型的设计当中，尤其是网络中的那些具有自发计算特性的神经元结构。因此，Hopfield发明出了“Hopfield network”，而它则是递归神经网络（RNN）的前身。
 
时至今日，RNN的广泛应用无需赘述，它大量的应用在时序分析、自然语言处理等领域。只要数据之间具有时间依赖性、时序动态特征，那么RNN就是一个十分优秀的备选方案。
 
换个角度来看，理论物理学有望帮助人们从基础上重新认识机器学习领域。早在1984年，L. G. Valiant就发表了一篇经典论文《A theory of the learnable》，在其中，他便对此定下了基调。自诞生之初，机器学习和物理学便有着十分紧密的关联。早在1982年，John Hopfield就进行了第一步尝试，他在神经网络和物理学之间建立了第一座互通有无桥梁。Hopfield发现，在物理学中，一个由相互作用的粒子组成的粒子群物理系统中，粒子间通常会产生一些形似磁性力的作用现象。
 
Hopfield于是将这种相互作用的现象借鉴到了神经网络模型的设计当中，尤其是网络中的那些具有自发计算特性的神经元结构。因此，Hopfield发明出了“Hopfield network”，而它则是递归神经网络（RNN）的前身。
 
时至今日，RNN的广泛应用无需赘述，它大量的应用在时序分析、自然语言处理等领域。只要数据之间具有时间依赖性、时序动态特征，那么RNN就是一个十分优秀的备选方案。
 
换个角度来看，理论物理学有望帮助人们从基础上重新认识机器学习领域。早在1984年，L. G. Valiant就发表了一篇经典论文《A theory of the learnable》，在其中，他便对此定下了基调。