Máquina de Boltzmann (Boltzmann machine)
Red neuronal estocástica con unidades binarias y función de energía de la física estadística; aprende representaciones ocultas pero suele necesitar muestreo lento con cadenas de Márkov (MCMC) para entrenar.
Una máquina de Boltzmann es una red neuronal de unidades binarias estocásticas conectadas simétricamente. Sus estados siguen una función de energía y la distribución de Boltzmann de la física estadística. David Ackley, Geoffrey Hinton y Terrence Sejnowski publicaron un algoritmo de aprendizaje en 1985; el modelo se apoya en las redes asociativas de John Hopfield y puede aprender representaciones ocultas en aprendizaje no supervisado.
El entrenamiento suele requerir un prolongado muestreo con MCMC basado en cadenas de Márkov, lo que ralentiza la generación. Una máquina de Boltzmann restringida (RBM) limita las conexiones dentro de una capa. Geoffrey Hinton introdujo en 2002 la divergencia contrastiva como aproximación de entrenamiento más rápida que hizo prácticas las RBM y permitió después las redes de creencia profunda. Véase el artículo y la entrada de la cronología.