层次之间的相似性，即全息性质。这是预测的基础，但预测的是概率，现实我们只能看到表达，只有在比较大的尺度才能观测到
脑的结构和功能基于神经网络的不同层次的表达，我们的思考，情绪等等都是不同层次的选择性表达，其还可以继续细分。
感知是外界的信息通过频率（本征值）映射于内部神经网络的不同结构
网络的运作是一种分维，效率比较高，同时能耗大2%的质量需要20%的血液
神经的作用是构建逻辑系统，不同的情况神经的整体表达有其本征性质
特化，这是一种分工，也是网络的整体表达的结果，这既是原因也是结果，是在如同反馈的循环中形成的动态结构；对应，处理的收敛半径，多大的区域对应多大的功能，则有一个中心偏向，越重要的功能对应的区域越大（马太效应），有个幂律分布函数
网络以波函数来进行本征的处理，其频率和强度呼应机体神经网络的不同部位不同层次，激动的神经就形成新的网络，其本征就是一定的感觉等等。网络的呼应之间有信息的传递，这是通过不同的感觉细胞的信息收集的
网络是不同层次即周期的耦合，可以使用傅里叶级数分解，时域变成频域
mri整体的运动加强与温度升高，血液流动耦合
嵌合体，环境的选择性表达的结构基础，不同层次的嵌合是对不同变量的偏微分
模式的最终生成，如语言文化，适用于不同环境，这是最优化的解。语言同样可以作为神经网络的一个层次，也是网络结构，可以不断进化（视为迭代），现阶段的语言是优化解和差解的分布，是概率坍缩的结果。foxp2基因是根据中值定理得出的一个本征。
可生存的残缺个体提示层次存在一定的独立性
雄雌的个体差异是网络的比较确定的拓扑变形的选择性表达的结果如器官，神经，肌肉等等，是不同部位不同强度的神经网络结构的表达
概率网络：概率论，信息论，自组织，层次耦合（傅里叶级数），网络社会，混沌
周期的耦合，之后有一定的筛选，从混沌（概率库）选择性表达成为一定的新周期
协同，层次的相似性
分布函数，本征是矩阵的性质，中心极限定理，大数定律，不动点原理
1不可逆的方向是网络的一个本征，本质上是更大结构的亚层
2微分方程的线性解和其周期
相互作用的本质是场，这是如同太极图的耦合体，有相互转化的基本单位
高斯定理和环路定理
数据的映射，通过大数据的统计结果涌现的模式