본 논문은 형식적 뉴런과 다층 인공 신경망(ANN)의 에너지 지형을 구성하는 접근 방식을 탐구합니다. 이 분석을 통해 분류 ANN(예: MLP 또는 CNN)과 생성 ANN 모델 모두의 개념적 한계를 파악할 수 있습니다. 형식적 뉴런과 ANN 모델에서 정보 및 열역학적 엔트로피 연구는 정보 엔트로피의 에너지적 특성에 대한 결론으로 이어집니다. 깁스 자유 에너지 개념을 적용하면 ANN의 출력 정보를 엔탈피의 구조화된 부분으로 나타낼 수 있습니다. ANN을 에너지 시스템으로 모델링하면 내부 에너지 구조를 외부 세계의 내부 모델로 해석할 수 있으며, 이 모델은 시스템의 내부 에너지 구성 요소의 상호 작용을 기반으로 자체적으로 구성됩니다. 이 모델의 자기 조직화 및 진화 과정의 제어는 감소 연산자를 기반으로 하는 에너지 함수(Lyapunov 함수와 유사)를 통해 수행됩니다. 이를 통해 추가적인 외부 알고리즘이 필요 없는 직접 학습을 통해 자기 조직화 및 진화 ANN을 구성하는 새로운 접근 방식을 도입할 수 있습니다. 제시된 연구는 시스템의 내부 및 외부 에너지 간의 상호 작용 과정 측면에서 정보의 공식적인 정의를 공식화할 수 있게 합니다.
