很难达到这次研究成果中把神经网络用在机器学习的物理数据迁移上，历史上公开论文数据中的研发方案需要围绕模拟方程和数值收集的模式，开展为期长久的储备工作。自然现象的所有机器表示都是从数值开始的微粒感知，包括物质研究的机器微小感知，同样是机器学习的优秀数据匹配模式，现在机器学习的应用集中在神经网络在多学科应用的迁移和重新训练上，也是这次诺贝尔物理学奖颁发给机器学习与神经网络的原因，源于数据源的自主可控和准确可信。
机器学习在所有开源分布式存储的方案中已经是非常常见的机器人制造、金融风控、医疗表示等。热议的话题当然是集中在个体认知在神经网络，到神经网络应用到物理学科的经验可行。在AI框架的骨架上，兼容图结构和表信息，在增强帧率的技术上集成微小数值的加速计算，确是物理学科数据的应用背景和经验模式，甚说泛函方向的研究均是欧式实空间的神经进化。
方向一：神经网络在人体电感传递的行为关系
大脑神经传感到足末端，依据人体单端加速神经感知的原则，这是一种长距离的传感，所以在物理学科应用中物质数据的微小距离的关系，相比于人体神经电感的传播，能持续最优模式的微调和高精度的方案。人体神经传感的用途可以是分散神经的专注点，即神经传感到足部可以是跑步，走路，跳跃等，这样的传感是人体多应用神经序列的目标。在物质科学的持续方程总结和进化中，物质的本质紧密联系给稠密网络和稀疏感知的训练和数据集成带来了很大的性能和推广优势，即机器学习与神经网络的前景是本次诺贝尔物理学奖的力之作。人体电感的来源也是微小数据的感知和分布，这在物质数据的神经网络中是重要的长短距离传感的序列应用，长距离理解动态行为的交互关联，短距离理解物质属性的潜在变化，即神经网络的概率预测是短距离的行为属性预测，神经网络全层的调用对齐端数据是动态行为的持续模式关联预测，所以某些新元素、新粒子、新分子、新反应的获取，可以从神经网络对齐端数据的模式下获取更多的微小数值进化的潜在机会。
方向二：传统物理的精密仿真行为
传统物理结合医学现实，博主在印象中有过很成功和轻松的应用，所有的物理表示方程在医学现实的某些参数微调中，直接表征图的最重要的仿真动态，这是传统物理学的应用优势。在机器学习中，机器学习是提供物理学数据的动态关联模式，来预测或增强更符合物质本质性质的物理特征，这也是物理仿真作为父数据到子数据动态模式的重要机器自主的感知。传统物理其实是物理的多现象观察和总结，也是机器学习的数据前提，在物理学科数据的持续进化中，神经网络作为泛化微小数值排布的重要方法，作为物质属性及动态行为的多任务预测，是非常充足的训练和调用范式，所以在条件充足、方法合理的背景下，诺贝尔物理学奖颁发的神经网络方法是诺贝尔影响力中的重要一环，旨在推动神经网络在某些个体应用完备的前提下的持续发展，鼓励物理学数据充分的采用神经网络的模式进化完成宝贵数据的重复增强。