以下文章

• Gasper Tkacik 等人的真实神经元网络的 Ising 模型（2006 年）。

• 通过观察进行直接、无特征学习的深度神经网络： Kyle Mills 等人的二维自旋模型 (2018) 案例。

• 通过将 Ornstein-Zernike 理论与Soma Turi、Alpha A. Lee 等人的深度学习 (2017) 相结合的反向 Ising 推理。

• 基于神经网络的稀疏系统统计力学通用方法（2019），作者：Feng Pan、Hai-Jun Zhou、Pan Zhang 等人。

可能会帮助您理解 Ising 模型和 DNN 之间的“关系”，假设您知道 Ising 模型是什么以及 DNN 是什么，那么相似性对您来说应该是相当直观的。

伊辛模型是一种漂浮的铁磁粒子汤，每个粒子都会产生自己的小磁场，要么对抗或与邻居一起工作。当许多粒子排列时，它们会产生一个对齐的场，我们将其称为磁偶极矩，而在DNN中，我们将几个实体的共同努力称为在另一个实体中产生更大影响的“激活函数” . 在完全连接的 DNN 中，欧几里德距离对连接进行加权，并且节点被初始化为相对于它产生的磁场轴具有一定的磁极性，网络将几乎准确地表示 Ising 的现实模型力求简化。