近日，诺丁汉大学副教授Colin G. Johnson 领导的研究团队开发了一种深度学习技术，可以从一组样本解中学习“适应度函数”，并用它来解决魔方恢复问题。与这项研究相关的论文于2 月24 日发表在Expert Systems 上，标题为《用逐级深度学习方法解决魔方问题》（用逐步深度学习求解魔方）。

恢复打乱的魔方是一个相对复杂的问题，但研究人员决定将这个复杂的问题转化为多个简单的问题来解决。他们认为“解决任何难题都需要多达20个步骤”。因此，他们采用了逐步学习和深度神经网络作为这个设计方案的两种主要方法。与魔方恢复相对应，该技术会尝试一步步解决问题，而不是一次性学习魔方的整体解决方案。

也就是说，这项技术会尝试转动一部分，让魔方呈现出更简单的形式，即将一个复杂的问题分解成几个相对简单的小问题，先学习一个小问题的解决方案，然后重复之后这一步反复进行多次，终于达到了魔方修复的效果。事实上，这个解决方案也意味着整体解决方案的每一步都比最后一步更容易。

这项技术将“逆向工作”，从一步步打乱魔方的过程中学习如何恢复混乱的魔方。具体操作就是将组装好的魔方标记为“0”，旋转一圈后的魔方标记为“1”，旋转另一圈后标记为“2”……以此类推。每个状态都与一个数字配对，该数字表示该状态下距目标的步数。因此，学习过程也是构建模型的过程，最终从数据库中提取任意状态并预测需要多少步才能达到目标状态。步骤与其标记的编号相对应。

然后，使用特定的深度学习网络构建魔方恢复训练集，并在其中搜索当前的混沌状态和已解决的状态。

接下来，通过模拟数千次转动来估计立方体的混乱程度。在估计出魔方的混乱程度后，约翰逊开发的技术将使用深度神经网络来识别魔方恢复前的第一步，然后是恢复前的第二步和第三步……这些数据都在积累然后解决了。恢复魔方的问题将会非常容易，通过这些准备你终于可以找到恢复混沌魔方的路径了。

约翰逊解释说：“你不必尝试学习如何解决整个魔方，而是可以学习如何将解决魔方的更复杂问题转化为更简单的问题，然后使用更简单的方法来解决它。” '