CNN信息传播竟暗藏相对论！对称滤波=静能量，非对称=动量，统一框架揭示物理与AI的惊人联系！
A Unified Framework for the Mechanics of Information in Convolutional Neural Network Image Space
📖 AI 总结
该论文提出一个统一数学框架，用于建模卷积神经网络（CNN）中的信息传播机制，旨在连接物理空间与信息空间的描述。核心发现是，离散滤波器对称性与相对论能量-动量关系存在对应：对称滤波器分量（如求和算子）类似静能，保持图像质心，对应各向同性扩散；反对称分量（如梯度算子）类似动量项，诱导位移，其位移量由反对称能量占比决定，类比洛伦兹变换中的β参数。重复滤波产生高斯尺度空间及尺度不变特征，其拉普拉斯驱动结构与热扩散方程、薛定谔方程及弗里德曼方程存在数学对应，并涌现莫尔斯拓扑结构。在3D图像（从有机分子、硅晶体到人脑MRI、星系及宇宙微波背景）的实验中，均观察到类斑状、尺度不变的莫尔斯临界点，验证了框架的普适性。该工作为理解CNN内部信息处理提供了物理学视角的统一理论工具。
🔑 关键词速览
| 卷积神经网络 (CNN) | 一种深度学习模型，通过卷积操作提取图像等数据的局部特征。 |
| 相对论能量-动量关系 | 描述粒子能量、动量与静质量之间关系的物理公式，本文用于类比滤波器对称性。 |
| 高斯尺度空间 | 通过高斯滤波逐步模糊图像，形成多尺度表示，用于分析尺度不变特征。 |
| 莫尔斯拓扑结构 | 基于莫尔斯理论，通过临界点分析图像拓扑特征的方法。 |
| 尺度不变特征 | 在不同尺度下保持稳定或相似的图像特征，常用于目标识别。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅