外界温度t给定，统计物理能够得出气体分子的能量分布是情况，即构建宏观和微观的关系，以概率作为分布的度量，即相对比例

路径积分与配分函数z的对应

不同层次的象不同，以不同的函数表示。这些还是也是不同函数的耦合

最小作用量原理可以理解为作用量较大的路径的相位is相互抵消（波的干涉），只剩下作用量最小的路径（相对独立），它的概率较大。

i模型是一个很好的模拟，整体和局部都倾向于达成均衡，同时这两种的均衡也存在一定的竞争。

基本的计算即简单的逻辑判断，如果进行足够多的尝试次数，可以有一定的性质涌现，如蒙特卡洛算法对有意义的马尔科夫序列的统计（基于序列匹配的相似性具有一定的功能）。而人工智能与人脑相似，都是基于统计进行的模式识别，能够进行快速匹配和本征运算。这与大脑神经系统的多层次耦合的细胞结构相关，其基本的连接构建就是一种高维的计算，相对低维的是电流的流动。由于这些计算的颗粒度太小，我们将其视为一种原子性行为，然后根据网络的观点来利用统计理解。可以预示这种计算机等价于通用图灵机。这我视为网络的逻辑运算的模式。

耦合，或者自指是网络这个体系不完备性的体现，预示其可以无限扩张。这与网络的分形世界观是殊路同归的。很多层次之间是同构的，都是其他层次的选择性表达的结构，这就可以导出拓扑不变量。

对信息的收集就如同傅里叶级数的项的收集，然后做近似处理来收敛。

层次的耦合可以表示为卷积，是以概率为语言的也是，表示为分布函数的结合，包含了空间相关性的全部信息。

信息具有相对性的意义，其是相对特定层次的比例。但在统计层次，可以忽略相对性而表达为一定的绝对信息的度量，香农的二进制编码就是这个。虽然我们知道网络的分布性质使得不同层次的对象之间联系是有限的如六度分隔，于是在特定层次可以采取特定的模式来处理问题。但信息本身与信息传递的路径是耦合的（根据网络的观点），即我们需要同时考虑信道。

如何在信息论的基础上继续构建统计层次的网络？根据两个基本节点的相对位置（多层次耦合）构建一定的序列，在不断升维遍历的过程中根据一定的相似性构建网络关系。

对图像的各种处理我认为是比较接近网络的思维的。将不同尺度的信息作为不同频率的函数分别表示我们识别的不同层次信息，

从分析力学到网络力学分析的跨越：（暂时没有思路，但我知道这是必然的发展过程。或许可以参考量子力学的观点，甚至是量子场论）

牛顿力学求解——微分方程，网络的力学分析将层次视为变量，也可以将这个分布函数的本征当成变量，构建一定的复杂关系，即微分方程，是层次之间的耦合，可以视为一种泛函

欧拉方程是对层次之间的关系进行描述：高维的低维处理等于更加低维的高维。

拉格朗日法其实是对高维结构的理解，并根据其特殊值得出在低维情况的求解。求函数极值就是一种收敛到有意义的序列，层次之间的微分为0时，即一种边际，是一种收敛的边界。最小作用量原理

胡克定律：f=-kx的网络表示是对运动的概率的分布函数，对线性的本征关系进行描述。视为光滑平面上的相互连接的两个弹簧振子，其弹簧的长度就是概率，其运动遵循动量守恒，即运动与量的相对比例成比例。

对于同一本征的不同表述可以根据新的微分方程。其结果可以表示为许多周期函数的耦合（傅里叶级数）。

这是一种对几何（收敛层次）的描述

重力可以表达为一种恒定的趋势，即对概率的处理

力可以写成势函数对位置的一阶导数，概率是分布函数对位置的一阶导数。

noether定理：物理系统中的对称性与守恒量一一对应。这是我们构建哲学理论的自信，如同一般计算机与通用图灵机的等价，，当其组合为0时即是一种守恒量，其组合形式就是一种有意义的序列。

哈密顿力学是对全局信息的处理，哈密顿量是系统的状态量即整体的描述。

网络力学是对量子力学的一种模拟。基于线性代数，向量内积就是可能性的一种遍历，根据其对环境的适应度，可以有意义的模式涌现。算符是一种高维模式的处理，这个层次同样存在一定的分布

网络的本征概念就源于线性代数的本征值，是整体的描述。

薛定谔方程是不同层次的耦合，其组合形式及一定的序列，对应于一定的高维结构。

稳定结构是模式的涌现，两者互为因果，是一个耦合的动态平衡。

周边抑制的实质（如同顶芽抑制）：每个神经元利用周边神经元对其感知输入进行预测，这种简单的预测是极速收敛的，而网络倾向于输入与预测一致，但需要个体对环境的动态变化适应。

神经网络是一个概率网络的运算体系的构建，其结果的权重分配及概率分布是基于统计的。

多层次的耦合，层次之间的卷积

不同的状态出现的概率不同，如高能态概率低，低能态概率高，最终的表达是这两个相对独立的层次的选择性表达，这是纳什均衡状态。

在热力学平衡态，网络处于