物理与 AI for Science
突破级
暂无讲解视频
收录解读
## 问题与背景 问题与背景：物理神经网络和模拟计算长期受制于一个核心问题：如何在真实物理器件里获得可用于训练的梯度，而不是退回数字仿真中做反向传播。没有稳定梯度提取，物理网络就很难成为真正可训练的计算体系。
## 方法/新意 方法/新意：这篇工作提出基于 homodyne gradient extraction 的训练方法，直接从物理系统响应中抽取梯度信号，从而在材料/器件层完成更接近 gradient descent 的更新。它的重点是把“能训练”这个门槛从数字近似推进到更原生的 in-materia learning。
## 意义/放在仓库中的位置 意义/放在仓库中的位置：它适合放在 physical neural networks 与 AI hardware 主线，和 Training of physical neural networks 综述是上下游关系。前者给路线图，这篇给更接近可执行训练机制的原始研究。
## 局限/为何不更高 局限/为何不更高：它的长期价值很大，但当前影响仍集中在物理学习硬件这一子方向。距离范式级还差更广泛器件验证和系统级可扩展性证据，所以先归为突破性。