前言

• 好久没有更新我的CSDN博客了，细细数下来已经有了16个月。在本科时期我主要研究嵌入式，研究生阶段对人工智能感兴趣，看了一些这方面的论文和视频，因此用博客记录了一下，后来因为要搞自己的研究方向，就将人工智能和Deep Learning搁浅了。
• 事实上，我主要研究方向是气动软体机器人，目前已经以第一作者身份发表了5篇SCI和授权了6项国家发明专利，也拿到了校级十佳优秀研究生标兵和五四青年的称号，希望有兴趣的小伙伴可以私聊我多多交流。
• 最近我看了一些软体机器人双稳态方向的论文，突然对深度学习（人工智能）中的梯度下降法有了更深的理解，在此写个博客记录一下。

双稳态软体机器人

双稳态软体机器人是一种特殊类型的机器人，这些机器人通常由柔软的材料制成，能够在两个稳定状态之间切换。每个状态都对应着一个局部能量极小值，其中一个状态比另一个状态的能量更低，那么系统在这两个状态点会表现出稳定性。能量的示意图大约如下所示

在双稳态系统中，如上所示的势能图会呈现出两个不同的深谷，每个深谷代表一个稳定状态，深谷底部对应着局部能量极小值。系统在这两个深谷之间的能量壁垒较高，使得系统更有可能停留在这两个状态中的一个。

如果这样抽象解释的不够通俗，那么我们可以想象，小时候玩的啪啪圈，或者是那种钢卷尺，常态下是保持伸直状态，受到很大的力的时候，会变成卷曲状态；然后我们再用力给它从卷曲态掰直，就又变成了伸直状态。因此它的伸直状态或者卷曲状态都需要我们用外力提供能力，否则这两种状态之间没法切换。所以这两种状态（例如卷曲和伸直）代表的能量大小，就是局部极小值的能量。

进一步的我们去思考，如果我们只给啪啪圈一点点的力（例如每次我们将啪啪圈绕在手腕上，都需要猛地卡一下才行，如果轻轻地，肯定啪啪圈就不会卷曲了），那么它肯定没法从伸直态变为卷曲态。说白了，施加的外部能量，必须要克服伸直态和卷曲态之间的能量壁垒（可以结合上面的图观察，施加的能量必须要大于它的极大值才能跃迁，如果我们只给了一点点能量肯定是不行的）。

如果我们只给了一点点能量，那么从图中E1点爬升的时候，爬到一半就没能量了，这时候就滑下来了，我觉得这样想很形象，因为滑下来了，所以两个状态就没法切换。

人工智能中的Local Minimum

其实人工智能和双稳态是一样的，人工智能在运算过程中会陷入局部极小值（Local Minimum），但是我们想要的不是局部极小值，而是一个全局最小值，这样才能保证算法的最优化（就像我们高中学数学导数一样，题目要求我们必须要找到一个最小值，但是往往我们容易把极小值当成最小值来算）。

在人工智能中，如果我们计算出来的梯度太小，那么就没办法达到能量跃迁的级别，也就是会陷入局部极小值出不来了，这就导致了算出来的结果是局部最优，而不是全局最优。

感慨

其实人工智能是纯数学计算的产物。但是数学往往都需要有物理学去支撑，否则数学学科的发展就没有现实意义了。今天看到双稳态能量跃迁，突然想到了人工智能中的局部极小值（Local Minimum）。在人工智能中需要通过各种手段去克服局部极小值，而在软体机器人双稳态中，我们也需要通过各种办法增加能量，达到能量跃迁的效果，二者之间是相通的。

这也相当于数学在物理学中的实际应用了，品味知识的乐趣。