Bài báo này khám phá mối liên hệ giữa trí tuệ nhân tạo (AI) và vật lý lý thuyết. Cụ thể, chúng tôi tập trung vào phương pháp Trọng lực từ Entropy (GfE), trong đó trọng lực được suy ra từ entropy lượng tử tương đối hình học (GQRE) của hai không thời gian Lorentz. Chúng tôi chứng minh rằng thuật toán Perona-Malik nổi tiếng, được sử dụng trong xử lý hình ảnh, chỉ đơn giản là một hành động GfE dòng chảy gradient. Cụ thể, thuật toán này là kết quả của việc tối thiểu hóa GQRE giữa giá trị hỗ trợ của hình ảnh và hai số liệu Euclidean do hình ảnh tạo ra. Thuật toán Perona-Malik được biết là bảo toàn các đường viền sắc nét, điều đó có nghĩa là hành động GfE không dẫn đến một hình ảnh đồng nhất, như mong đợi khi lặp lại động lực dòng chảy gradient. Thay vào đó, kết quả của việc tối thiểu hóa GQRE tương thích với việc bảo toàn cấu trúc phức tạp. Những kết quả này cung cấp nền tảng hình học và lý thuyết thông tin cho thuật toán Perona-Malik và có thể góp phần xây dựng các kết nối sâu hơn giữa GfE, học máy và nghiên cứu não bộ.
