感觉可以在模拟的时候给粒子群装上感受器，气体的话就把感受器固定到一个位置(可以把感受器固定在某个机械臂上)，固体的话可以让感受器和某个位置有胶水般的相互作用，然后要求这些感受器的信息能够完全确定某些性质，当然也许要给一些约束，比如固体要求只能在某些固定的点有外力，而气体在某些地方温度不可控，或者发生变化的时候的话另一个地方的感受器也可以侦测到，当然也可以要求即使某些地方不可控(多个值)，但也可以通过感受器的信息确定需求的区域的温度
好焦虑啊，我发现自己没考虑电路延迟的问题啊。
就是多个解的情况下，某些解要很长时间的反应才能获得该怎么办啊。
归纳总结电路也不知道啥时候解会出来啊。
响应速度是不是可以计算。
算有很多条路径，最长之路的响应即可。是不是这样。再加上检测温度的感受器，或者训练出来的神经网络不需要知道温度，而是可以通过试探响应来猜出温度分布带来的响应时间延长。
是不是这样，可以电路可以用信息函数表示，然后电路的最长响应路径可以慢慢枚举找出来(枚举不同路径)，找出一些电路的响应信息后可以训练一个神经网络来高效拟合，要求这个神经网络要以尽可能快的速度给出电路的响应时间。
如果响应时间算不出来就放弃这个电路。
可以先算小电路的响应信息，然后总结拟合出神经网络来最快地给出小电路的响应信息，然后把这些小电路拼起来变成大电路，通过枚举路径来找出大电路的最长响应路径，再总结大电路的响应信息神经网络。

两个组件相互作用，虽然要知道结果需要了解这两个组件的全部粒子信息，但也可以只知道有限信息即可做出一些预测，也就是说不要求知道全部粒子信息，比如两个机械零件，只用知道零件的质量密度分布而不用知道详细的粒子信息就可以做出一些力学方面的预测，而借助这些力学方面的预测也可以进行设计，当然知道全部粒子信息固然可行，但是计算量太大。
能否先让电脑学习简单的装配？？
就是人能够做到的简单装配，然后让电脑学习这种简单装配方法
然后学会了简单装配后再让电脑推广
假设两个配件之间的装配是容易的
多个配件之间的装配是不是都是两两组合
如果全部从粒子开始迭代计算量太大
但是利用已经存在的零件部分信息去组合是不是要方便很多
然后让这些零件相互约束，构成整体
假设是机械设备，然后迭代一个信息函数，这个信息函数给出了机械零件以两个零件质量密度为输入的两两约束的信息。当然也可以是其他角度的信息，比如约束零件就是个有螺纹的螺丝钉，然后不给出螺纹的质量密度分布细节，但知道这个螺丝钉插进去之后可以做到固定。相当于知道部分信息，但就是借助这部分信息也可以进行设计。
利用这种两两约束信息可以推算整体表现，这比从粒子开始模拟要简单。
然后就是零部件的装配，利用两两约束信息同样可以知道某个零部件在装配的时候是否会和其他零部件干涉。

如果是反馈迭代电路的话，可以等A端信号稳定后（假设反馈电路的所有反馈至A端的路径都不会改变频率），再等待一个回到A端的最长反馈路径响应时间，看看A端是否还是稳定，如果稳定则说明迭代到了稳态

先给个约束，即一块含有某些成分的多晶先融化，可以先让多晶溶解一部分，当然实际中可能很多部分同时融化，但是计算只能一个部分一个部分分步计算，所以可以让每一步之间时间间隔取得很短，算完几步后总结局部信息，拉长时间间隔。溶解后的液态会有很多个粒子，但是暂时不知道总结出关于液态粒子群的多少程度的有效信息是足够预测单晶的，但可以先暂时假定一个分辨尺度范围，同时总结这个范围的统计信息（生成单晶的时候可以在这个尺度基础上进行多次二分法分割，然后总结放大，相当于0-1分成0-0.5和0.5-1，0-0.5可分成0-0.25和0.25-0.5,0-0.25凝固后，接着是0.25-0.5凝固，然后可以总结成0-0.5凝固）。幸运的是，虽然液态原子不断运动，但只是多了一个时间维度，因此把时间维度当成空间维度后也可以当做稳定的固体处理（不管不同区域的粒子是否发生相互扩散，放在时空间维度为坐标的图中都是一样的，图中局部区域的边界势会携带外部区域对该区域的影响信息），时空图可以进行分割，然后各个局部与局部之间的相互作用则通过场来进行传递，可以先总结出某部分液态区域在可调外势的作用下生成籽晶A的过程（之所以可以总结是因为初态是某种确定成分的多晶，且要求这种多晶某种尺度范围内的晶粒尺寸细化到一定程度将使得结果收敛，有了这两个约束条件就可以避免总结出太过宽泛的规律），使用可调外势是因为不知道其他部分的具体影响，但是可调外势总是体现在边界上，将两个部分合并到一起的时候，可调外势就在这两个部分的总体边界上，两个部分相邻处的可调外势可以不管它，类似均值近似，最后放大到一定程度会发现边界处的可调外势就是容器边界的可调外势，一般取零，然后逐级放大的过程中的可调外势和约束方程可以通过整体的表现来拟合。
A籽晶在某些条件下生长出同取向的B单晶晶粒，并生出向外界传递相互作用的势场，B生成C；C生成D，可以总结部分代表性信息在计算上由A,B晶粒快速生长出C,D晶粒，C,D晶粒快速生成D,E晶粒，D,E晶粒快速生成F,G.晶粒，然后再总结，由A,B,C,D晶粒在计算上快速生成D,E,F,G晶粒，逐步放大。

逐步结晶时，多枚举几种情况，A边上生成的B，B边上生成C,C边上生成D,如果都是和A取向相同的单晶则标1，多晶则随机标个小于1的数，然后总结区分多晶和单晶的生成条件，让A,B快速生成C,D，并拟合出单晶和多晶信息（如果C,D是多晶随机赋一个小于1的值来拟合，也许C,D逐个生成的时候，C随机赋0.3，D随机赋0.7，然后C,D一起生成时可以随机赋0.6），然后可以让C,D生成E F,E,F生成G,H,再总结A,B,C,D生成E,F,G,H,逐步扩大，

要拟合局部信息，全部粒子信息都拿来拟合的话信息量太大，但没有足够的局部信息也不行，因此可以给几个局部信息，把分辨率较低的局部信息的演化拟合出来，同时这些局部信息又可以映射出表示单晶的1或者表示非单晶的小于1的数。幸运的是，即使考虑搅拌过程，搅拌过程放在时空图上也是一幅静态的图，依然可以进行分割，为了简化可能要把搅拌器用一种特殊的场代替，然后割出的小区域默认由搅拌器场和材料场共同组成，从初态开始由割出来的小区域预测未来的小区域，再合并小区域，提取部分变量，预测更大范围的小区域。当然也可以先分割搅拌器场和材料场，分别处理。
一种最宽泛的初态是哪个范围有搅拌器，搅拌器速度多少，哪个范围有材料A，但不管材料A的具体密度分布，这种初态也可以得到一个最宽泛的预测，就是随着加热容器中肯定有液态A，而实际计算中要尽量多给一些测量点，包括选中的小区域，给了一些测量点虽然无法知道全部信息，但是可以大概知道部分性质及取值范围，因此也可以进行宽泛的预测。

老师好，我刚才查到一个延迟选择实验，这个延迟选择实验的结果是不是可以用来做类似快速迭代电路的东西，就是比如A信号流过一个类似电路的东西5秒后获得B信号，但A信号同时流过B电路8秒后获得C信号，而直觉上对B信号进行的更改是追不上C信号的，也就是说获得B信号后，不管如何给输出B信号的输出端脉冲，这个脉冲是追不到C信号那边去的，也就是说无法通过更改B信号来对C信号进行干涉，但是如果电路具备延迟选择的特征，那么更改B信号就会超时空地影响C信号，这种超时空特性是否可以用来求解反馈迭代电路，使得电路快速达到稳态，如果无法快速达到稳态则无解，当然前提是要用延迟选择特性建立类似电路的东西

通过延迟选择直接对过去的时间轴施加影响，然后把运算都放在过去的时间轴上，当下计算一秒，过去的时间轴可以计算一百秒

老师好，自动驾驶中除了根据当前画面拟合人们已知的驾驶参数选择，是否还应该留出一定的余量，就是要给出一些探索性的选择。
假设汽车是一个判断函数，这个判断函数接收程序给出的驾驶参数，然后给出ok或者不ok的判断（ok就是汽车照着驾驶参数可以顺利开下去）。
是不是可以这样训练探索程序：给定一个有无限本征函数解的偏微分方程，要求探索程序能够通过试探生成解，且有一定概率会生成不同于已有的解的新的试探解，概率可以尽量低，但不能没有，且新的试探解有一定概率通过判断。当然，有些解虽然不同，但是很接近的，就像两个接近的驾驶参数，所以也可以给个要求，就是生成相似解的概率要尽量低。当然，也可以是有限本征函数解，只是这种情况的话，当解完全历遍后就不能再生成新的试探解，或者生成新的试探解的概率要尽量低。

判断函数是不是可以这样训练，就是找一些可行的驾驶参数训练，要求判断ok，但训练出来的判断函数要有泛化能力，也就是说对没见过的驾驶参数也能正确判断，这是为了避免判断函数只判断训练集，而对训练集之外的数据无法判断

是不是一个机械零件用几十个点表示就足够了，比如齿轮的一个齿用四个点表示，上面的两个点之间是直线，下面的两个点之间也是直线，上下点之间是固定形式的曲线，而这个固定形式的曲线如果只有有限几种选择的话也可以加一个点。然后最大应力也可以通过这些离散点之间的相互作用势来计算，相当于齿轮形状和材料强度固定，表示两个齿轮的离散点之间有拟合出来的一个相互作用势，这个相互作用势能够大概地表征出齿轮应力的最大值

一，文生图片：
1，可以先识别图片，同一张图片会对应多种描述，可以将图片先映射到一个特征函数，然后这个特征函数和一个待定变量a一起映射到描述b和待定参量q，描述b有不同的形式，待定变量a将决定采用何种形式，在有了(图片，b的具体形式)组成的训练集数据对后，可以将待定变量a设为a=sin(x),然后迭代识别神经网络的同时也拟合迭代x，最后会拟合出一个映射，这个映射输入图片和一个随机的a(在-1到1之间)之后会给出一个具备具体形式的b;当然在拟合识别神经网络的时候可以暂时先不管q,但有q输出。
2，现在要求q和b映射回a和图片，并实现循环，也就是文生图片，如果不同的图片，不同的a映射到了同一组b和q,那么在单射的情况下，b和q是映射不出不同的a和图片的，也就是说给定描述b，再随机的给一个q就能够生成不同的图片，当然此时还应该要求进行一定量的随机采样图片不同的比例要达到一定数目，即要求某个输出量f达到极小值，不同的比例达到50%,f可以用二次函数来实现f=(比例-50%)^2，然后有了几个50%以上的网络就可以用随机数选择不同比例的网络进行映射。
二，文生视频
1，可以截取一些场景相同的连续视频，提取出图片，训练一个场景相似判断器，用来约束连续视频发生的场景，也可以用来判断生成的视频帧是否和给出的场景图片相似;
2，可以训练人物判断器，用于判断主角，配角和龙套。
3，训练一个视频连续判断器，用来判断视频连续性
4，现在要求给出一段文字，描述好进入场景的角色和动作，并给出角色贴图，生成一段该场景的视频。好像不太对啊，这个文生视频想不出来没思路

是不是应该简化一些，利用TRIZ中的分离法，就规定一幅图片，让图片里面的人物进行一些简单的动作
然后很多个简单动作拼接起来
然后描述也不要太复杂
最后进行创作，把创作流程记录下来，用之前设想的人脑发展过程神经网络来拟合创作过程，最后碰碰运气，期待拟合了人类发展流程的人脑神经网络能够自然地学会制作视频并且可以理解复杂指令

先训练增殖型神经网络利用简单映射做60s的视频，并要求给出思考流程，然后人工干预修正思考流程。当神经网络有了思考流程后，要求针对题目直接映射生成60s视频，并且不给出思考流程，这种映射可能会导致神经网络的大量增殖，因此我们可以要求增殖量尽量小。当神经网络习得了60s视频直接映射的能力后，可以将难度增加到120s,120s的视频也要有思考流程，这个思考流程不仅可以使用60s视频的直接映射，还可以使用前面的简单映射，这样逐步放大时间

1，我感觉训练求零点的神经网络得加入反馈，也就是如果要训练求f(x)的零点神经网络F，则可以有F(f(a(t)),c)=(s,a(t)),其中f为已知的存在零点的函数，s为f的零点，c是一组 随机数，a(t)为神经网络用来试探f的函数值的时间信号，t是时间，因为a(t)可能会受到f(a(t-1))的影响，所以要让F根据f(a(t))生成a(t),但在实际拟合中感觉可以只用BP法拟合s和c,当多个不同的f对于同一组c都拟合出了正确的零点，再随机地取几组c也能获得正确的零点，则说明关于f的信息自然地获得了使用。
2，但现在有一个问题，那就是电路可能会有未知的响应延迟，如何保证经过一段时间电路稳定，并获得了正确的零点之后，电路不会随着时间累积发生突变，而改变零点？