본 논문은 자유 에너지 원리를 이용하여 무작위 동적 시스템의 보편적인 분할에서 어떻게 매력자 네트워크가 나타나는지를 공식화합니다. 명시적으로 부과된 학습 및 추론 규칙 없이도 이러한 자기 조직 시스템에 대한 효율적이고 생물학적으로 타당한 추론 및 학습 역학이 출현함을 보여줍니다. 이는 집합적이고 다층적인 베이지안 능동 추론 과정을 초래합니다. 자유 에너지 지형의 매력자는 사전 신념을 인코딩하고, 추론은 감각 데이터를 사후 신념에 통합하며, 학습은 장기적인 놀라움을 최소화하기 위해 결합을 미세 조정합니다. 분석 및 시뮬레이션을 통해 제안된 네트워크는 예측 정확도와 모델 복잡도를 동시에 최적화함으로써 거의 직교화된 매력자 표현을 선호한다는 것을 보여줍니다. 이러한 매력자는 입력 부분 공간을 효율적으로 범위를 설정하여 일반화와 숨겨진 원인과 관찰 가능한 효과 간의 상호 정보를 향상시킵니다. 또한, 무작위 데이터 제시는 대칭적이고 희소한 결합으로 이어지지만, 순차적 데이터는 비대칭적 결합과 비평형 정상 상태 역학을 촉진하여 기존 볼츠만 머신으로의 자연스러운 확장을 제공합니다. 이 연구 결과는 자기 조직 매력자 네트워크에 대한 통합 이론을 제시하며, AI와 신경 과학에 대한 새로운 통찰력을 제공합니다.