人工神經網絡是人工智能深度學習算法的基礎結構，大致模仿人類大腦的物理結構。當你為神經網絡提供訓練樣例時，它會通過人工神經元層運行它，然后調整它們的內部參數，以便能夠對具有相似屬性的未來數據進行分類。舉個簡單的例子，如果你使用貓和狗的樣本圖像訓練神經網絡，它將能夠告訴你新圖像是否包含貓或狗。但由于神經網絡過分依賴數據，引導了神經網絡的犯錯，一些錯誤對人類來說似乎是完全不合邏輯甚至是愚蠢的，可以說人工智能離人工智障也就是一步之遙。

例如，2018年英國大都會警察局用來檢測和標記虐待兒童圖片的人工智能軟件就錯誤地將沙丘圖片標記為裸體。

前一陣子引起惶恐的豐巢智能快遞柜刷臉功能就被小學生破解，一群小學生只用一張打印照片就能代替真人刷臉，騙過“人工智能”快遞柜，取出父母的包裹，就是典型的人工智障操作，值得一提的是，由于現階段人工智能的技術局限，經常出現人工智障的行為，這也引起了學界的研究和開發。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，脫離人工智障的經常性行為，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都具有重要意義。

近日，北卡羅萊納州立大學非線性人工智能實驗室的科學家發現，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。其研究的論文成果已發布在《物理評論E》上。

研究人員通過將物理學中的哈密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。研究人員認為，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，神經網絡就能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，也將幫助我們解決人工智能的更多難題。