一份新研究认为，教授人工智能物理学，将增强其应对无序状态和出现预期之外状况的能力。具体来说，这份研究建议教授人工智能可以完整地描述一个动态系统，包括动能和潜在能量的哈密顿函数。

　　神经网络，是人工智能中一种粗略地模拟人类大脑复杂工作方式的系统。研究者称，学习了哈密顿函数后，神经网络将能站在“更高的层面”看问题，能够解决更难的问题。

　　研究人员将引入哈密顿函数的过程以钟摆作类比，好比给予人工智能关于钟摆整个过程的速度和路线的信息，而不是钟摆在某一个位置状态的剪影。

　　这份来自北卡罗来纳州立大学的研究称，如果神经网络了解钟摆的位置、它下一步将去向哪里，以及此刻的能量值，系统在遇到无序的信息时，也能将它们变成有序的状态。

　　不仅如此，它将改善人工智能系统的效率，在无序大量额外神经节点的情况下，对动态、预期之外的结果有更好的预见性。为了测验效果，研究人员将改进后的人工智能系统用标准Henon-Heiles模型进行检验，这个模型原先为模拟恒星周围星体而造。

　　结果显示，这个武装了哈密顿函数的神经网络，成功通过了测试，在系统有序和无序的状态下，都做出了正确的预测性判断。

　　现在，人工智能已经可以模拟太空、进行医学诊断、改善老电影的画质、协助科学家开发新药。研究人员称，这些技术都仅是开端，这份研究有助于人工智能拓展更大的能力。

　　“如果无序是一种非线性的‘超能力’，把确定的变数当成了未知数，那么哈密顿就像给神经网络加上的‘秘制酱料’，一种让它快速学习、对有序和无序都具有预测能力的特制调料。”研究员写道。这份研究近期发布在物理评论E刊上。