玻尔兹曼机（Boltzmann Machine）是一种基于能量的生成模型，属于随机神经网络的范畴。它由Geoffrey Hinton和Terry Sejnowski于1985年提出，其设计思想来源于物理学中的玻尔兹曼分布，特别是热力学中的模拟退火和自旋玻璃理论。玻尔兹曼机是一种随机性神经网络，由节点（神经元）和节点间的连接权重组成，通过模拟神经元之间的随机交互来调整自身的状态，以寻找系统的低能量状态。
玻尔兹曼机的基本概念包括可见单元和隐藏单元，以及它们之间的权重。可见单元与输入和输出相关，而隐藏单元传递信息，权重表示单元间的关系。玻尔兹曼机的概率模型基于能量函数，通过梯度下降优化能量函数以拟合数据。玻尔兹曼机的训练算法涉及初始化、计算能量梯度、更新权重和偏置，直至收敛。
玻尔兹曼机的结构可以分为两层对称连接的神经网络，其中每个节点是二值随机神经元。这种结构使得玻尔兹曼机能够学习任意概率分布，并通过最大似然原则进行学习。玻尔兹曼机在组合优化问题、特征学习和概率推理等方面有应用价值。
玻尔兹曼机的一个重要变体是受限玻尔兹曼机（Restricted Boltzmann Machine, RBM），它限制了单元之间的连接，仅允许可见单元和隐藏单元之间的连接，从而简化了学习过程。受限玻尔兹曼机通过引入隐藏层，解决了玻尔兹曼机训练的难题，提高了模型的泛化能力和计算效率。
此外，深度玻尔兹曼机（Deep Boltzmann Machine, DBM）是多层网络的迭代应用，通过堆叠多个受限玻尔兹曼机来构建复杂的非线性函数表示。深度玻尔兹曼机可以通过对比散度学习算法进行训练，以使得隐层根据计算所得到的显层状态与实际状态尽量接近，达到预测效果。
玻尔兹曼机作为一种基于能量的生成模型，在机器学习领域具有广泛的应用潜力，特别是在特征提取、生成模型以及深度学习中的无监督学习等方面。