Phase transition in multi-layered neural networks, statisitical physics and practical algorithms (backpropagation)

统计物理学方法解决了训练神经元网络的问题，它具有不同的韦尔登功能。在网络中，Schwerpunkt解决了Phasenübergängen的问题，并在训练中增加了对Beispieldaten的训练。weiterentwickelt韦尔登。在韦尔登的数值模拟中，也可以对前体的形状进行分析。因此，我们需要了解实际测量的统计物理学原理，如z.B.这是反向传播算法，相关的。

Mit Methoden der statistischen Physik soll das Training mehrschichtiger neuronaler Netzwerke mit differenzierbaren Aktivierungsfunktionen untersucht werden. Der Schwerpunkt soll auf Phasenübergängen in solchen Netzwerken liegen, die auftreten, wenn das Training auf einem festen Satz von Beispieldaten beruht.Um typische Ergebnisse für entsprechende Modellsituation zu erhalten, müssen Methoden der statistischen Physik ungeordneter Systeme angewandt und ggf. weiterentwickelt werden. Neben diesen analytischen Rechnungen sollen im Rahmen des Vorhabens auch numerische Simulationen durchgeführt werden. Insbesondere soll geklärt werden, inwieweit die Ergebnisse der statistischen Physik für praktische Lernverfahren, wie z.B. den bekannten Backpropagations-Algorithmus, relevant sind.