本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請(qǐng)至雷鋒網(wǎng)官網(wǎng)申請(qǐng)授權(quán)。

在一個(gè)隔音的板條箱里有著一個(gè)世界上最糟糕的神經(jīng)網(wǎng)絡(luò)。在看到數(shù)字6的圖像后，這個(gè)神經(jīng)網(wǎng)絡(luò)會(huì)暫停片刻，然后顯示出自己識(shí)別出的數(shù)字：0。

康奈爾大學(xué)的物理學(xué)家兼工程師Peter McMahon主導(dǎo)了這個(gè)神經(jīng)網(wǎng)絡(luò)的開(kāi)發(fā)，他不好意思地笑著說(shuō)，這是因?yàn)槭謱懙臄?shù)字看起來(lái)很潦草。一位從NTT研究所來(lái)訪問(wèn)McMahon實(shí)驗(yàn)室的博士后Logan Wright說(shuō)，這個(gè)設(shè)備通常會(huì)給出正確的答案，不過(guò)他也承認(rèn)，出錯(cuò)也很常見(jiàn)。盡管表現(xiàn)平平，但這種神經(jīng)網(wǎng)絡(luò)是一個(gè)開(kāi)創(chuàng)性的研究。研究人員把板條箱翻了過(guò)來(lái)，露出的不是電腦芯片，而是一個(gè)話筒，話筒朝著固定在揚(yáng)聲器上的鈦板傾斜。

不同于運(yùn)行在0和1的數(shù)字世界中的神經(jīng)網(wǎng)絡(luò)，這個(gè)設(shè)備是以聲音原理運(yùn)行的。當(dāng)賴特給出一個(gè)數(shù)字的圖像時(shí)，圖像的像素被轉(zhuǎn)換成音頻，然后揚(yáng)聲器振動(dòng)鈦板，使得實(shí)驗(yàn)室里充滿了微弱的嘰嘰喳喳聲。也就是說(shuō)進(jìn)行“讀取”操作的是金屬回聲，而不是運(yùn)行在硅芯片上的軟件。

這款設(shè)備的成功讓人覺(jué)得難以置信，就連其設(shè)計(jì)者也不例外。McMahon說(shuō)：“無(wú)論震動(dòng)金屬的作用是什么，都不應(yīng)該與對(duì)手寫數(shù)字進(jìn)行分類有任何關(guān)系。”今年1月，康奈爾大學(xué)的研究小組在《Nature》雜志上發(fā)表了一篇論文，標(biāo)題是“反向傳播訓(xùn)練的深度物理神經(jīng)網(wǎng)絡(luò)（Deep physical neural networks trained with backpropagation）”。

這篇論文介紹了這種設(shè)備的原始閱讀能力，這給McMahon和其他人帶來(lái)了希望，這告訴他們，該種設(shè)備進(jìn)行多次改進(jìn)后可能會(huì)給計(jì)算帶來(lái)革命性的變化。

論文鏈接：https://www.nature.com/articles/s41586-021-04223-6當(dāng)談到傳統(tǒng)的機(jī)器學(xué)習(xí)時(shí)，計(jì)算機(jī)科學(xué)家發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)越大越好。具體原因可以參見(jiàn)下圖中的文章，這篇叫做“計(jì)算機(jī)科學(xué)家證明為什么越大的神經(jīng)網(wǎng)絡(luò)表現(xiàn)越好（Computer Scientists Prove Why Bigger Neural Networks Do Better）”的文章中證明了：如果希望網(wǎng)絡(luò)能夠可靠地記住其訓(xùn)練數(shù)據(jù)，那么過(guò)度參數(shù)化不僅有效，而且還需要強(qiáng)制性執(zhí)行。

文章地址：https://www.quantamagazine.org/computer-scientists-prove-why-bigger-neural-networks-do-better-20220210/一個(gè)神經(jīng)網(wǎng)絡(luò)中填充更多的人工神經(jīng)元(存儲(chǔ)數(shù)值的節(jié)點(diǎn))，可以提高其區(qū)分臘腸犬和達(dá)爾馬提亞犬的能力，也可以使其成功完成無(wú)數(shù)其他模式識(shí)別任務(wù)。

真正巨大的神經(jīng)網(wǎng)絡(luò)能夠完成寫論文（如OpenAI的GPT-3）、畫(huà)插圖（比如OpenAI的DALL·E、DALL·E2和Google的Imagen），以及更多讓人細(xì)思極恐的高難度任務(wù)。有了更多的計(jì)算能力，更偉大的壯舉也便成為可能。這種可能性鼓勵(lì)著人們努力開(kāi)發(fā)更強(qiáng)大、更高效的計(jì)算方法。McMahon和一群志同道合的物理學(xué)家擁護(hù)一種非常規(guī)的方法：讓宇宙為我們處理數(shù)據(jù)。

McMahon說(shuō)：“許多物理系統(tǒng)自然能夠比計(jì)算機(jī)更高效或更快地進(jìn)行某些計(jì)算。”他以風(fēng)洞為例：當(dāng)工程師們?cè)O(shè)計(jì)一架飛機(jī)時(shí)，他們可能會(huì)把藍(lán)圖數(shù)字化，然后花幾個(gè)小時(shí)在超級(jí)計(jì)算機(jī)上模擬機(jī)翼周圍的空氣流動(dòng)。或者，他們也可以把飛行器放在風(fēng)洞里看看能不能飛起來(lái)。從計(jì)算的角度來(lái)看，風(fēng)洞可以立即“計(jì)算”飛機(jī)機(jī)翼與空氣的相互作用。

圖注：康奈爾大學(xué)團(tuán)隊(duì)成員Peter McMahon和Tatsuhiro Onodera在為完成學(xué)習(xí)任務(wù)的各種物理系統(tǒng)編寫程序。

圖源：Dave Burbank風(fēng)洞能模擬空氣動(dòng)力學(xué)，是一種功能專一的機(jī)器。

像McMahon這樣的研究人員正在研究一種可以學(xué)習(xí)做任何事情的設(shè)備——一種可以通過(guò)試錯(cuò)來(lái)調(diào)整自身行為從而獲得任何新能力的系統(tǒng)，比如對(duì)手寫數(shù)字進(jìn)行分類，或者區(qū)分一個(gè)元音和另一個(gè)元音等能力。

最新研究表明，像光波、超導(dǎo)體網(wǎng)絡(luò)和電子分支流這樣的物理系統(tǒng)都可以進(jìn)行學(xué)習(xí)。瑞士蘇黎世聯(lián)邦理工學(xué)院的數(shù)學(xué)家Benjamin Scellier說(shuō)，他幫助設(shè)計(jì)了一種新的物理學(xué)習(xí)算法，“我們不僅在重塑硬件，還重塑了整個(gè)計(jì)算范式”。

1 學(xué)習(xí)思考

 學(xué)習(xí)是一個(gè)極為獨(dú)特的過(guò)程，在十年以前，大腦是唯一能做到學(xué)習(xí)的系統(tǒng)。正是大腦的結(jié)構(gòu)在一定程度上啟發(fā)了計(jì)算機(jī)科學(xué)家設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)這個(gè)目前最流行的人工學(xué)習(xí)模型。深度神經(jīng)網(wǎng)絡(luò)是一種通過(guò)實(shí)踐來(lái)學(xué)習(xí)的計(jì)算機(jī)程序。

深度神經(jīng)網(wǎng)絡(luò)可以被認(rèn)為是一個(gè)網(wǎng)格：用來(lái)存儲(chǔ)值的節(jié)點(diǎn)層被稱為神經(jīng)元，神經(jīng)元通過(guò)線連接到相鄰層的神經(jīng)元，這種線也叫“突觸”。最初，這些突觸只是被稱為“權(quán)重”的隨機(jī)數(shù)。想讓網(wǎng)絡(luò)讀取4，可以讓第一層神經(jīng)元表示4的原始圖像，可以將每個(gè)像素的陰影作為一個(gè)值存儲(chǔ)在相應(yīng)的神經(jīng)元中。

然后網(wǎng)絡(luò)進(jìn)行“思考”，一層一層地移動(dòng)，用神經(jīng)元值乘以突觸權(quán)值來(lái)填充下一層神經(jīng)元。最后一層中值最大的神經(jīng)元就是神經(jīng)網(wǎng)絡(luò)的答案。例如，如果這是第二個(gè)神經(jīng)元，網(wǎng)絡(luò)猜測(cè)自己看到了2。為了教網(wǎng)絡(luò)做出更聰明的猜測(cè)，學(xué)習(xí)算法會(huì)反向工作。在每次嘗試之后，它會(huì)計(jì)算出猜測(cè)和正確答案之間的差值(在我們的例子中，這個(gè)差值將由最后一層的第四個(gè)神經(jīng)元的高值和其他地方的低值表示)。

然后，算法通過(guò)網(wǎng)絡(luò)一層一層地往回走，計(jì)算如何調(diào)整權(quán)值，以使最終神經(jīng)元的值根據(jù)需要上升或下降。這個(gè)過(guò)程被稱為反向傳播，是深度學(xué)習(xí)的核心。通過(guò)重復(fù)多次猜測(cè)和調(diào)整，反向傳播將權(quán)重引導(dǎo)到一組數(shù)字，這些數(shù)字將通過(guò)一幅圖像發(fā)起的級(jí)聯(lián)乘法輸出結(jié)果。

圖源：Quanta 雜志Merrill Sherman但與大腦的思考相比，人工神經(jīng)網(wǎng)絡(luò)中的數(shù)字化學(xué)習(xí)看起來(lái)效率非常低。在每天攝入不到2000卡路里熱量的情況下，一個(gè)人類兒童在幾年內(nèi)就能學(xué)會(huì)說(shuō)話、閱讀、玩游戲以及更多的東西。在如此有限的能量條件下，能夠流暢對(duì)話的GPT-3神經(jīng)網(wǎng)絡(luò)可能需要一千年才能學(xué)會(huì)聊天。

從物理學(xué)家的角度來(lái)看，一個(gè)大型數(shù)字神經(jīng)網(wǎng)絡(luò)只是試圖去做過(guò)多的數(shù)學(xué)運(yùn)算。如今最大的神經(jīng)網(wǎng)絡(luò)必須記錄和操縱超過(guò)5000億個(gè)數(shù)字。這個(gè)驚人的數(shù)字出自下圖中的論文“Pathways 語(yǔ)言模型 (PaLM)：擴(kuò)展到 5400 億個(gè)參數(shù)以實(shí)現(xiàn)突破性性能（Pathways Language Model (PaLM): Scaling to 540 Billion Parameters for Breakthrough Performance）”：

論文鏈接：https://ai.googleblog.com/2022/04/pathways-language-model-palm-scaling-to.html與此同時(shí)，宇宙不斷出現(xiàn)的任務(wù)遠(yuǎn)遠(yuǎn)超出了計(jì)算機(jī)微薄的計(jì)算能力的極限。一個(gè)房間里可能有數(shù)萬(wàn)億的空氣分子在四處彈跳。

對(duì)于一個(gè)成熟的碰撞模擬來(lái)說(shuō)，這是計(jì)算機(jī)無(wú)法追蹤的移動(dòng)對(duì)象的數(shù)量，但空氣本身卻能輕松決定自己每時(shí)每刻的行為。我們目前的挑戰(zhàn)是建立一個(gè)能夠自然完成人工智能所需兩個(gè)過(guò)程的物理系統(tǒng)，這兩個(gè)過(guò)程分別是——對(duì)圖像進(jìn)行分類的“思考”，以及正確分類這類圖像所需的“學(xué)習(xí)”。

一個(gè)掌握了這兩項(xiàng)任務(wù)的系統(tǒng)才是真正利用了宇宙的數(shù)學(xué)能力，而不僅僅是做數(shù)學(xué)計(jì)算。“我們從來(lái)沒(méi)有計(jì)算過(guò)3.532乘以1.567之類的，”Scellier說(shuō)。“系統(tǒng)會(huì)計(jì)算，不過(guò)是通過(guò)遵循物理定律的方式隱含地計(jì)算。”

2 思考部分 

McMahon和合作學(xué)者們已經(jīng)在這個(gè)謎題的“思考”部分取得了進(jìn)展。在新冠疫情發(fā)生前的幾個(gè)月，McMahon在康奈爾大學(xué)建立了實(shí)驗(yàn)室，他仔細(xì)思考了一個(gè)奇怪的發(fā)現(xiàn)。多年來(lái)，表現(xiàn)最出色的圖像識(shí)別神經(jīng)網(wǎng)絡(luò)已經(jīng)變得越來(lái)越深度。也就是說(shuō)，有更多層的網(wǎng)絡(luò)能夠更好地接收一堆像素并給出標(biāo)簽，如“獅子狗”。

這一趨勢(shì)啟發(fā)數(shù)學(xué)家們研究神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的轉(zhuǎn)換（從像素到“獅子狗”），在2017年幾個(gè)小組在論文“任意深度殘差神經(jīng)網(wǎng)絡(luò)的可逆結(jié)構(gòu)（Reversible Architectures for Arbitrarily Deep Residual Neural Networks）”中提出，神經(jīng)網(wǎng)絡(luò)的行為是一個(gè)平滑數(shù)學(xué)函數(shù)的近似版本。

論文地址：https://arxiv.org/abs/1709.03698在數(shù)學(xué)中，函數(shù)將輸入（通常是x值）轉(zhuǎn)換為輸出（曲線在這個(gè)位置的y值或高度）。在特定類型的神經(jīng)網(wǎng)絡(luò)中，層數(shù)越多效果越好，因?yàn)楹瘮?shù)不那么參差不齊，更接近于某種理想曲線。這項(xiàng)研究引起了McMahon的思考。

也許通過(guò)一個(gè)平穩(wěn)變化的物理系統(tǒng)，人們可以避開(kāi)數(shù)字方法中固有的阻塞。訣竅在于找到一種馴化復(fù)雜系統(tǒng)的方法——通過(guò)訓(xùn)練來(lái)調(diào)整它的行為。McMahon和他的合作者選擇鈦板作為這樣一個(gè)系統(tǒng)，因?yàn)殁伆宓脑S多振動(dòng)模式以復(fù)雜的方式混合傳入的聲音。

為了使平板像神經(jīng)網(wǎng)絡(luò)一樣工作，他們輸入一種編碼輸入圖像的聲音（例如手寫的6）和另一種表示突觸權(quán)重的聲音。聲音的峰值和波谷需要在正確的時(shí)間撞擊鈦板，以便設(shè)備合并聲音并給出答案——例如，一個(gè)新的聲音在六毫秒內(nèi)最響，代表“6”的分類。

圖注：康奈爾大學(xué)的一個(gè)研究小組訓(xùn)練了三種不同的物理系統(tǒng)來(lái)“讀取”手寫數(shù)字：從左到右分別是一個(gè)振動(dòng)的鈦板、一個(gè)晶體和一個(gè)電子電路。圖源：左圖中圖為康奈爾大學(xué)Rob Kurcoba攝；右圖為Quanta 雜志 Charlie Wood攝。該小組還在一個(gè)光學(xué)系統(tǒng)中實(shí)現(xiàn)了他們的方案——輸入圖像和權(quán)重被編碼在兩束由晶體混合在一起的光束中——以及一個(gè)能夠類似地變換輸入的電子電路中。

原則上，任何具有拜占庭行為的系統(tǒng)都可以如此，但是研究人員相信光學(xué)系統(tǒng)具有特殊的前景。晶體不僅能極快地混合光線，而且光線還包含了關(guān)于世界的豐富數(shù)據(jù)。McMahon想象他的光學(xué)神經(jīng)網(wǎng)絡(luò)的微縮版本有一天會(huì)成為自動(dòng)駕駛汽車的眼睛，能夠識(shí)別停車標(biāo)志和行人，然后將信息輸入汽車的計(jì)算機(jī)芯片，就像我們的視網(wǎng)膜對(duì)進(jìn)來(lái)的光進(jìn)行一些基本的視覺(jué)處理一樣。

然而，這些系統(tǒng)的致命弱點(diǎn)在于，訓(xùn)練它們需要回歸數(shù)字世界。反向傳播涉及到反向運(yùn)行神經(jīng)網(wǎng)絡(luò)，但是底片和晶體不能輕易地分解聲音和光。因此，該團(tuán)隊(duì)為每個(gè)物理系統(tǒng)構(gòu)建了一個(gè)數(shù)字模型。在筆記本電腦上反轉(zhuǎn)這些模型，他們可以使用反向傳播算法來(lái)計(jì)算如何調(diào)整權(quán)重以給出準(zhǔn)確的答案。

通過(guò)這一訓(xùn)練，這塊鈦板學(xué)會(huì)了對(duì)手寫數(shù)字進(jìn)行分類，正確率為87%。而上圖中的電路和激光的精度分別達(dá)到93%和97%。研究結(jié)果表明“不僅標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)可以通過(guò)反向傳播進(jìn)行訓(xùn)練，”法國(guó)國(guó)家科學(xué)研究中心（CNRS）的物理學(xué)家Julie Grollier說(shuō)，“這太美了。”

該研究小組的振動(dòng)鈦板還沒(méi)有使計(jì)算的效率接近大腦的驚人效率，這個(gè)設(shè)備甚至不及數(shù)字神經(jīng)網(wǎng)絡(luò)的速度。但McMahon認(rèn)為他的設(shè)備十分驚人，因?yàn)檫@種設(shè)備證明了人不只可以用大腦或電腦芯片來(lái)思考。“任何物理系統(tǒng)都可以是神經(jīng)網(wǎng)絡(luò)。”他說(shuō)。

3 學(xué)習(xí)部分

另一個(gè)的難題是——如何讓一個(gè)系統(tǒng)完全自主學(xué)習(xí)。德國(guó)馬克斯·普朗克光科學(xué)研究所的物理學(xué)家Florian Marquardt認(rèn)為，有一種方法是建造一臺(tái)倒著運(yùn)行的機(jī)器。去年，他和一個(gè)合作者在論文“基于Hamiltonian回波反向傳播的自學(xué)習(xí)機(jī)器（Self-learning Machines based on Hamiltonian Echo Backpropagation）”中提出了一個(gè)可以在這樣的系統(tǒng)上運(yùn)行的反向傳播算法的物理模擬。

論文地址：https://arxiv.org/abs/2103.04992為了證明這是可行的，他們用數(shù)字技術(shù)模擬了一種類似于McMahon設(shè)備的激光裝置，將可調(diào)的權(quán)重編碼在一種光波中，與另一種輸入波（編碼，比如圖像）混合。他們使輸出更接近正確的答案，并使用光學(xué)組件來(lái)分解波，反轉(zhuǎn)這個(gè)過(guò)程。

“神奇的是，” Marquardt說(shuō)，“當(dāng)你用相同的輸入再一次嘗試設(shè)備時(shí)，輸出傾向于更接近你想要的位置。” 接下來(lái)，他們正在與實(shí)驗(yàn)人員合作建立這樣一個(gè)系統(tǒng)。但是專注于反向運(yùn)行的系統(tǒng)限制了選擇，所以其他研究人員將反向傳播完全拋在了后面。

因?yàn)橹来竽X學(xué)習(xí)的方式不是標(biāo)準(zhǔn)的反向傳播，所以他們的研究沒(méi)有受到打擊，反而更進(jìn)一步。“大腦不是反向傳播的，”斯塞利爾說(shuō)，當(dāng)神經(jīng)元A與神經(jīng)元B交流時(shí)，“傳播是單向的。”

圖注：CNRS的物理學(xué)家Julie Grollier實(shí)現(xiàn)了一種物理學(xué)習(xí)算法，被視為反向傳播的一種有希望的替代方案。

圖源：Christophe Caudroy2017年，Scellier和蒙特利爾大學(xué)的計(jì)算機(jī)科學(xué)家Yoshua Bengio開(kāi)發(fā)了一種稱為平衡傳播的單向?qū)W習(xí)方法。

我們可以這樣了解其運(yùn)作方式：想象一個(gè)像神經(jīng)元一樣的箭頭網(wǎng)絡(luò)，它們的方向表示0或1，由作為突觸權(quán)重的彈簧連接在網(wǎng)格中。彈簧越松，連接的箭頭就越不容易對(duì)齊。首先，旋轉(zhuǎn)最左邊一行的箭頭，以反映手寫數(shù)字的像素，然后在保持最左邊一行的箭頭不變，讓這種擾動(dòng)通過(guò)彈簧擴(kuò)散出去轉(zhuǎn)動(dòng)其他箭頭。

當(dāng)翻轉(zhuǎn)停止時(shí)，最右邊的箭頭給出了答案。關(guān)鍵是，我們不需要通過(guò)翻轉(zhuǎn)箭頭來(lái)訓(xùn)練這個(gè)系統(tǒng)。相反，我們可以在網(wǎng)絡(luò)底部連接另一組顯示正確答案的箭頭，這些正確的箭頭會(huì)使上面這組箭頭翻轉(zhuǎn)，整個(gè)網(wǎng)格就進(jìn)入了一個(gè)新的平衡狀態(tài)。

最后，將箭頭的新方向與舊方向進(jìn)行比較，并相應(yīng)地?cái)Q緊或松開(kāi)每個(gè)彈簧。經(jīng)過(guò)多次試驗(yàn)，彈簧獲得了更聰明的張力，Scellier和Bengio已經(jīng)證明，這種張力相當(dāng)于反向傳播。“人們認(rèn)為物理神經(jīng)網(wǎng)絡(luò)和反向傳播之間不可能存在聯(lián)系，” Grollier說(shuō)，“最近情況發(fā)生了變化，這非常令人興奮。”

關(guān)于平衡傳播的最初工作都是理論性的。但在一篇即將發(fā)表的文章中，Grollier和CNRS的物理學(xué)家Jérémie Laydevant描述了該算法在D-Wave公司制造的量子退火機(jī)器上的執(zhí)行。該裝置有一個(gè)由數(shù)千個(gè)相互作用的超導(dǎo)體組成的網(wǎng)絡(luò)，它們可以像彈簧連接的箭頭一樣，自然地計(jì)算出“彈簧”應(yīng)該如何更新。然而，系統(tǒng)不能自動(dòng)更新這些突觸權(quán)重。

4 實(shí)現(xiàn)閉環(huán)

至少有一個(gè)團(tuán)隊(duì)已經(jīng)收集了一些部件來(lái)構(gòu)建一個(gè)用物理學(xué)來(lái)完成所有繁重工作的電子電路，其能完成的工作有思考、學(xué)習(xí)和更新權(quán)重。賓夕法尼亞大學(xué)的物理學(xué)家 Sam Dillavou說(shuō)：“我們已經(jīng)能夠?yàn)橐粋€(gè)小系統(tǒng)閉合回路。”

圖注：賓夕法尼亞大學(xué)的物理學(xué)家Sam Dillavou修補(bǔ)了一個(gè)可以在學(xué)習(xí)過(guò)程中自我修改的電路。Dillavou和合作者的目標(biāo)是模仿大腦，大腦才是真正的智能，其是一個(gè)相對(duì)統(tǒng)一的系統(tǒng)，不需要任何單一結(jié)構(gòu)來(lái)發(fā)號(hào)施令。“每個(gè)神經(jīng)元都在做自己的事情，”他說(shuō)。為此，他們構(gòu)建了一個(gè)自學(xué)習(xí)電路，在這個(gè)電路中作為突觸權(quán)重的是可變電阻，神經(jīng)元是電阻之間測(cè)量的電壓。

為了對(duì)給定的輸入進(jìn)行分類，這個(gè)電路將數(shù)據(jù)轉(zhuǎn)換為施加到幾個(gè)節(jié)點(diǎn)上的電壓。電流通過(guò)電路，尋找耗散能量最少的路徑，并在穩(wěn)定時(shí)改變電壓。答案就是指定輸出節(jié)點(diǎn)的電壓。該想法的創(chuàng)新在于具有挑戰(zhàn)性的學(xué)習(xí)步驟，為此他們?cè)O(shè)計(jì)了一種類似于均衡傳播的方案，稱為耦合學(xué)習(xí)（coupled learning）。

當(dāng)一個(gè)電路接收數(shù)據(jù)并“猜出”一個(gè)結(jié)果時(shí)，另一個(gè)相同的電路從正確答案開(kāi)始，并將其納入其行為中。最后，連接每一對(duì)電阻的電子器件會(huì)自動(dòng)比較它們的值，并調(diào)整它們，以實(shí)現(xiàn)“更智能”的配置。

這個(gè)小組在去年夏天的預(yù)印本（參加下圖）中描述了他們的基本電路，這篇名叫“去中心化證明，物理驅(qū)動(dòng)學(xué)習(xí)（Demonstration of Decentralized, Physics-Driven Learning）”的論文中顯示這個(gè)電路可以學(xué)習(xí)區(qū)分三種類型的花，準(zhǔn)確率達(dá)到95%。而現(xiàn)在他們正在研發(fā)一款更快、功能更強(qiáng)的設(shè)備。

論文地址：https://arxiv.org/abs/2108.00275即便是這種升級(jí)也無(wú)法擊敗最先進(jìn)的硅芯片。但建造這些系統(tǒng)的物理學(xué)家們懷疑，與模擬網(wǎng)絡(luò)相比，盡管數(shù)字神經(jīng)網(wǎng)絡(luò)如今看起來(lái)很強(qiáng)大，但最終也會(huì)顯得緩慢和不足。

數(shù)字神經(jīng)網(wǎng)絡(luò)只能擴(kuò)大到一定程度，否則就會(huì)陷入過(guò)度的計(jì)算，但更大的物理網(wǎng)絡(luò)只需要做自己就好。“這是一個(gè)非常大的、快速發(fā)展的、變化多端的領(lǐng)域，我深信一些非常強(qiáng)大的計(jì)算機(jī)將會(huì)用這些原理制造出來(lái)。”Dillavou說(shuō)。