做一個網絡分類A和B，隨着迭代次數的增加A與B的分類準確率會不斷的增加並無限的接近或達到100%。所以是否有一個物理過程與這個現象相對應？
先引入一個假設
假設1：完全相同的兩個對象無法被分成兩類，與之對應的分類迭代次數爲無窮大，分類準確率是50%，50%。相等收斂標準下迭代次數越大表明二者差異越小。
比如參與分類的兩個對象是兩個小球A與B，訓練集是這兩個小球的波函數，這兩個小球彼此向對方運動，並最終碰撞變成了球C，因此A和B的分類結果就是C的分裂結果。
按照假設1，如果A=B，則小球C會穩定的存在，因爲組成C的波函數是兩組相同的數據集，無法彼此分類，也就不會導致C的分裂。或者即便C分裂了，A與B也將是無法被分類的兩個對象，他們的運動完全同步，超距作用，向一對糾纏的粒子。
但如果A≠B會發生什麼？
以神經網絡的作用過程爲例，A與B之間的分類準確率會變大。這個過程可以合理的假設當迭代次數足夠大的時候，這兩個對象的分類準確率會變成100%。
也就意味這A與B完全分開，彼此不會對對方的運動造成任何影響。
要實現這種狀態可以假設，比如A與B的距離是無限大則A的運動狀態將永遠也不會影響到B；或者假設A與B以光速遠離對方，則彼此將永遠無法接受到對方的任何物理信息，彼此對對方來說僅僅具有邏輯意義。
所以神經網絡迭代的過程可以等效的理解成是加速A和B遠離，並最終無限的接近光速的過程。
所以由此導出假設2
對應不同的兩個對象，迭代次數越大，二者的相對速度越大；相對速度越大分類準確率越大。
也就是迭代次數是兩個分類對象差異大小的量度，這個值只能在不同的分類對象間間接的比較，是一個靜態的值。而分類準確率僅僅是分類對象相對速度的量度，是一個動態的值。因爲對神經網絡而言訓練集是特徵不變的，則兩個訓練集的差異也不應該隨着時間的推移而不斷變化。
所有由假設2，考慮C是一個原子核，A與B是兩個粒子。則神經網絡的分類過程可以理解成是一個原子核C衰變分裂成兩個粒子A和B，並讓A和B不斷加速的由斥力主導的裂變作用過程。
或者也可以反過來理解神經網絡的作用過程，是將兩個相對速度爲近光速的粒子，在一巨大能量的作用下減速，並不斷靠近以致最終合在一起，成爲物理上的同一個對象C。也就是神經網絡的逆過程可以看作一個由引力主導的聚變過程。