“混沌”，英文：Chaos，指混亂而沒有秩序的狀態。“混沌盲目性”，英文：Chaos Blindness，也稱為：混亂失明，指神經網絡對這種混亂狀態的認知的一種失明或盲目性。對于現在的人工智能神經網絡，其認知水平與人的神經網絡的認知智能還相差很遠，常常無法預測或響應系統中的混沌狀態。

我們大腦的神經網絡是我們之所以具有智能行為的基本形態方式。我們的自然腦神經細胞根據其連接強度交換電脈沖。人工神經網絡模擬人的神經網絡，通過在訓練過程中調整數值權重和偏差，以最小化其實際輸出與期望輸出之間的差異來模仿此行為。例如，可以訓練人工智能神經網絡通過一些方法來識別狗：篩查大量狗的照片、猜測照片是否屬于狗、看它離是狗的結論有多遠、調整其權重和偏差，直到它們更接近現實地辨認出來確實是狗為止。

如何才能讓人工智能神經網絡預測或響應系統中的混沌狀態，這對于從改善從醫療診斷、到無人自動駕駛等的人工智能的應用具有重要意義。

現在，北卡羅萊納州立大學非線性人工智能實驗室（Nonlinear Artificial Intelligence Laboratory，簡稱：NAIL）的科學家發現，對神經網絡進行物理教學可以使這些網絡更好地適應其環境中的混亂情況，將可以改善從醫療診斷、到無人自動駕駛等的人工智能應用。

研究人員通過將物理學中的漢密爾頓函數引入人工智能神經網絡，可以更好地使其“看到”系統中的混亂并做出相應的調整。哈密頓函數，英文：Hamiltonian function，簡單來講，體現了有關物理系統動態的完整信息，即存在的所有能量，動能和勢能的總量。

舉例來講，一個擺動的擺錘，它隨著時間在空間中來回移動。如果只是觀察該擺的每一刻的運動，無法告訴您擺錘在擺動將在弧度的哪里或下一步在哪里。常規的神經網絡是這樣從擺的快照中進行操作。然而熟悉哈密頓向量場的神經網絡，會全面了解擺的整個運動，即擺在哪里、將擺在哪里、或可能擺在哪里、以及擺在其中的能量。

在數學與物理中，哈密頓向量場是辛流形上一個向量場，定義在任何能量函數或哈密頓函數上。如圖所示哈密頓向量場，也稱哈密頓流（Hamiltonian flow ）所表示的如甜甜圈狀的圓環，彩虹色代表第四維度。

為了驗證這個概念想法，該研究團隊將哈密頓結構納入神經網絡應用于已知的恒星和分子動力學模型Hénon-Heiles模型，哈密頓神經網絡準確地預測了系統的動力學機理，即使是系統在有序和混沌之間移動的情況下。

Hénon-Heiles模型，譯為：希農-海爾斯模型，是1962年法國數學家、天文學家米歇爾·希農（Michel Hénon）和美國天體物理學家卡爾·海爾斯（Carl Heiles）在研究恒星繞銀河系中心時所提出的非線性運動模型。他們采用簡化的二維非線性軸對稱電勢，發現稱為混沌軌道的不具有運動的第三積分的初始條件。

研究人員說：“哈密頓量實際上是賦予神經網絡學習秩序和混亂的能力的‘特殊調味品’或‘聰明藥’。 “有了哈密頓量，神經網絡以一種常規網絡無法認知的方式來理解潛在的動力學，這是邁向現代物理學的神經網絡的第一步，可以幫助我們解決許多難題。”

該最新研究成果論文發表在最近的《物理評論E》上。