量子式的相互作用应如电磁作用有着耦合的美感，内部有相互转化。有边界
网络的模型是建立于概率的基础上，概率模型作为公理
迭代以贝叶斯公式进行，卷积是一种遍历如同概率坍缩
网络的基本单位是环路，电路就是一个模拟，数学形式是微分方程。网络的不同层次的等效（诺顿定理，戴维南定理），相互作用的宏观层次即能量的转换和存储
算法，数据结构的结构，基于伟大的数学思想（模糊的本征猜测，基于前验经验调节，提高概率：考虑极限，忽略变量；量纲分析；连续近似操作，离散化；一般化，形象化）
组学构建网络，网络衍生变异，变异的可能性坍缩于自然选择
机器学习，就是层次的耦合形式的不断尝试和筛选
组学：序列分析，隐马尔科夫模型（不仅可用于匹对也可以用于组合），基因寻找，结构折叠，序列匹对，相似性（相关性）导致的层次耦合
网络：基因表达分析，调节模体，图形算法，无标度网络，网络模体（通路），聚度，幂律分布，收敛半径，网络演化
演化：组学的比较，组合，可能性的迅速衍生和迅速筛选
矩阵形式表达的网络，其本征是我们可以处理的输出（也是其他层次的输入，这是相对的），罚分矩阵提示了一条能量最优化的路径（分数=匹对可能性），或许可以引进多层次的匹对，再在这个层次进行一定的选择（基因序列aag和不同密码子对应的氨基酸）。
专家系统是一种人工智能的模拟，要保持足够的开放性，又能保持一定的完整性，各个层次都是充满各种博弈和选择。其需要量子计算机的技能，在足够短的时间完成本征值的求解（中心定律，不动点原理（yf）=(f(yf))）
程序和递归，是计算的需要，但这是利用简单叠加的大规模硬生生地等价于小规模的高维运算。我们或许可以加上贝叶斯网络的迭代，多线程处理
应用为王
语言是一种智能系统：语法，语义，（网络结构，概率的坍缩，各种分布，分类）组合的逻辑
络的一个模拟，可以进行无限的运算（理想化），但与时间有冲突，即我们需要选择一个均衡点，符合我们的现实需求。
基本的相互作用是电磁力，基于麦克斯韦方程组：都是动态的，动电生磁，动磁生电。其本身的电和磁也是动态的。接下来是kcl，kvl的电流于一个节点的守恒和区域的环路的电压的耦合即为0
微分方程可以描述相互作用，是网络的一个本征解。根据泰勒级数分解，和网络的傅里叶分解（时域和频域），根据层次的不同耦合的情况组合成为不同的矩阵获得不同的本征，本征的组合又是一个矩阵，其本征就是该层次的本征值，即性质或者期望。
图灵的一阶运算可以折叠为多维的网络，进行本征值比较确定的连接运算。如逻辑电路。其最终的模式显现使得我们的运算既综合网络的多维数据也使得以比较快的速度运算。当然误差也是有的，但这是一阶的模拟
网络的等价性，戴维南的串联和诺顿的并联，使得输出是等价的，如图灵判断
软件，高度集成化的模式，其本身就有新的组合和网络的本征基于语言的层次的层次递增（机器-汇编-c/c++语言等等），利用层次的不同耦合模式使得硬件表达出一定的有序结构。
利用如int等等的结构性语言确定方向，使得网络最终表达出我们想要的结果
语义是语言的一个本征值，但不同的表达和理解方式使得语义不同，即矩阵的本征值不同。这与层次的耦合相关，不同层次以相似性相关，同时以概率作为作用的形式概率网络
关键词：语言，语义，规格，亚层，代码，变量，函数，耦合，接口（层次连接），模式
如同连杆结构，每个节点的自由度不同，个体的转动是概率的。当其组合是，由于整体的运动，不同层次的耦合使得输出是分布式的，可以视为整体的周期是个体的周期耦合，这需要傅里叶分析来分解：个体的周期可以分解（相对独立）
频率和反馈，环路的形成使得各种作用能够遭遇抵抗性变化，其变化可能启动新的变化（利用边际效用，即方向性）。这在整体的运动中形成网络
基本元件，即其组合，其组合的组合……这是个递减的分布。因为自然选择的筛选，使得有意义的模式得以涌现
信息的传递和整体层次的控制，不断优化模式使得效率最高（提高颗粒度e=2。718）
信息是不确定性的削减传递，即随机性，概率
网络是足够多层次的耦合，智能或许是足够多的网络的耦合
指代和映射，连接的端口，这是高维层次的连接。如可视化，语言，符号其实是通过各种数据的趋势分析直至我们能够理解的层次
音乐的层次堆积和耦合，如特定情况的一阶音符就有着群体本征的地位
知识是网络连接的可信的模式，是概率的坍缩
相似性决定亲和力，决定网络的发展方向
数据结构：确定边界即限制条件，划分模块，系统结构，函数调用关系
利用自然语言的目的是避免陷入细节，层次的高维结构是本征的
连续嵌套的深度：语言，命令，函数
数据结构是算法实现的基础，算法总是要依赖于某种数