Moderne Methoden von neuronalen Netzwerken kombinieren die Arbeit mit einer axiomatischen mathematischen Beschreibung (Gesetze, Gleichungen, Invarianten, logische Regeln) und die Leistungsfähigkeit von neuronalen Netzwerken zum Lernen aus Daten, zur Mustererkennung und zur Differenzierung in komplexen Räumen. Diese Kombination erzeugt Systeme, die aus Daten lernen, gegebene Gesetze beobachten und somit Vorhersagen treffen, Probleme lösen und sogar neue Hypothesen entdecken können. Die Qualität hängt von der Formulierung der Axiome und der Existenz korrekter Formulierungen ab, von der Komplexität der Skalierung auf sehr große axiomatische Grundlagen, von Abwägungen zwischen der Genauigkeit der Anpassung an Daten und der Einhaltung von Gesetzen sowie von der Interpretation und Verifizierung von Ergebnissen. Moderne Methoden von neuronalen Netzwerken mit einer axiomatischen mathematischen Beschreibung haben aufgrund der Einhaltung von Axiomen eine bessere Verallgemeinerung und physische Interpretierbarkeit, die Fähigkeit, mit kleinen Daten zu arbeiten, aufgrund eingebauter Gesetze und die Fähigkeit, neue Abhängigkeiten im Rahmen formaliserter Regeln zu entdecken. Theoretische Prinzipien und formale Axiome stellen Anforderungen an neuronale Netzwerke und deren Training, sodass Lösungen wissenschaftlicher Probleme den Naturgesetzen, Invarianten, Datenmerkmalen und anderen gewünschten Eigenschaften entsprechen. Potenzial: Ein axiomatisches neuronales Netzwerk neigt dazu, genau modelliert zu werden, vorausgesetzt, es hat eine ausreichende Komplexität und große wissenschaftliche Daten und Wissen. Der Autor schlägt eine neuronale Netzwerk-Axiomatiksolver-Coaching-AGI-Methode zur Lösung wissenschaftlicher und praktischer Probleme gemäß deren Formulierungen und entwickelter Axiomensysteme vor.
Evgeniy Bryndin (Thu,) hat diese Frage untersucht.