神经元示意图
人工神经网络的自我学习中，主要是通过考虑样本观察来适应网络以更好地处理任务。学习涉及调整网络的权重（和可选阈值）以此提高结果的准确性，在学习期间的定期评估由成本函数来完成，只要产出继续下降，学习就会继续。
因此神经网络的建造很大程度上和学习方法有关，目前的学习方法有三大范式，以此完成对应的特定学习任务。虽然人工神经网络不会像生物神经网络那样会在学习过程中产生新的突触，但是神经网络也是能够进化的。
人工神经网络：是人工智能领域兴起的研究热点
它可以使用神经进化计算创建神经网络拓扑和权重，最大的优点就是不太容易陷入“死胡同”。万丘林教授的研究当中使用了随机神经网络，通过向网络中引入随机变化来构建，或者给它们随机权重，因为随机波动有助于网络摆脱局部最小值。
尽管神经网络有着强大的计算能力，但是当前的神经网络需要消耗大量的硬件资源，同时还需要大量的训练模型来进行迭代。对于文中提到的研究而言，其实它也是一种算法优化和模拟，仍需要现实数据进行支持。
神经网络是一种运算模型，由大量的节点相互联接构成
人工神经网络展示下的宇宙模型如果是真实的，那么我们也许是宇宙神经网络众多模拟训练的一次迭代。这样惊人的理论发现也难怪很难获得其他科学家的支持。
最后要特别指出的是，如果宇宙神经网络存在，也不能证明它确实是活着的，或许它只是一种算法模型，