在2018年的時候，Koji Hashimoto教授發表了一篇期刊[1]，在期刊中他們用深度神經網絡(DNN)的結構來建構一個模型與AdS/CFT對偶性質做連結。在這篇論文中我們將以重建他們的模型為出發點，並討論在原模型下產生的諸多問題；接著在第三章節中，為了解決這些問題我們嘗試利用其他機械學習的模型來建構新的學習架構，在這個架構下我們期望能擺脫使用負面資料(negative data；因為我們發現這些資料並不能在實際面上被使用)，因此使用強化學習(RL)的方式並以其他近似函數來作配合(深度神經網絡(DNN)、神經微分方程(Neural ODE)、或其他近似函數)。然而從一直以來的結果中我們發現:在這個問題框架下會有複數對應解的問題，也因此我們在後記中在不同的兩個層面上討論對未來發展上的改進。;In 2018 [1], Koji Hashimoto had presented a deep-neural-like model to connect with AdS/CFT correspondence. We tried to reconstruct his model, and found some problems about uncertainty. Therefore, we attempted to use other learning models to solve these problems. The alternate models consist of using the concepts from reinforcement learning, Neural ODE, and Deep Neural Network. For our goal, we expect to keep from using the negative data in learning because the acquisition will come across problems in experimental. However, the result shows that the problem is actually about the uniqueness of solution, and we provide further discussion and improvement.
