科创观察员|当我们讨论AI赋能千行百业时，物理学能为AI做什么

摘要：基础科学为AI赋能

复旦大学“浩清”讲席教授、应用表面物理国家重点实验室主任沈健，近年来总是被人好奇地问起：你们的AI研究究竟在做什么？物理神经网络怎么进行自主学习？

人工智能（AI）与基础科学的深度融合，开启了科学研究新范式。不过，人们听到的往往是AI赋能具体领域的科学研究（AI for Science）；而将基础科学用于AI算法和架构的改进（Science for AI），则少之又少。

就在上个月，2024年诺贝尔物理学奖授予了两位人工智能先驱约翰·霍普菲尔德和杰弗里·辛顿。他们的研究成果——霍普菲尔德神经网络和玻尔兹曼机，均源于物理体系。

对于这次“物理味不够浓”的颁奖，沈健颇感意外，但他终于可以通俗易懂地告诉别人，这就是最早的“基础科学为AI赋能”，他带领团队正在用他们最钟爱的物理体系，优化AI的应用场景。

【物理学家能为AI做什么】

一群从事基础研究的物理学家，为何要致力于把物理体系用于某个具体的场景呢？

沈健笑着告诉解放日报记者，因为受了“刺激”。“经常有人问我，研究基础物理能干吗？我也注意到，物理学家更在意发现新的物理现象和材料，而不是它们的现实应用。工业界可能对新的物理现象都难以理解，更不会轻易去尝试转化。到最后，很多研究就真的束之高阁了。从1到10，固然不容易，有没有可能从0到1或者2，为最终到10奠定核心基础？”

就这样，复旦大学最早一批成立的实体运行科研机构之一——微纳电子器件与量子计算机研究院应运而生，沈健出任院长。他们的目标是，把物理体系用于有意义的任务场景中，实现更快速度、更低能耗。

自20世纪40年代第一台计算机诞生以来，信息技术的突破性进展往往由关键物理材料和器件的创新所驱动，如硅基半导体材料实现了高密度高速信息处理，巨磁阻材料推动了海量信息存储并加速了大数据时代的到来。

然而，随着智能计算的快速发展和广泛应用，现有的硅基器件技术和冯·诺依曼计算架构在能耗和速度方面遇到了瓶颈，严重制约了智能计算能力的持续提升。这一问题在现代大型神经网络处理数百甚至上千亿数据时表现得尤为突出，亟待解决。

物理学家能为AI做什么？“如果能在物理体系中直接实现人工神经网络，即在硬件中实现而无需借助软件，将显著提升人工智能的能力与效率。”沈健说，他们正尝试不通过外界干预，而是利用物理体系自身过程完成类脑自主学习。人脑相当于一台能耗极低的计算机，特别是大脑的灵光一现是AI远所不及的，大脑的可塑性正是自主学习能力的重要基础。

【利用物理体系完成高效智能计算】

用手机拍照，是一个最寻常不过的场景。但如果天色已晚或距离太远，可能会曝光不足，图像中会引入很多噪点，导致很多信息看不清楚。

这时候可以使用智能图像处理软件，而沈健团队正致力于设计一种器件来替代这一功能，即直接输入图像信号，输出的就是经过降噪后的图片。整个过程不依赖于复杂的电路设计或是软件算法，而仅靠该器件（非线性电阻网络）中的天然物理过程即可实现。据介绍，研发团队对此已实现纳秒级速度处理，降噪效果优于传统的图像降噪算法，且该器件功能可进一步扩展，完成边缘提取、高动态范围色调映射等更难的任务。

“未来，一旦规模做上去，完全可以做到实时处理。如果集成度够好，可以把这一器件封装成芯片安装在相机或手机里。”沈健说。

此外，研究团队在磁性薄膜体系里通过物理体系的自主学习实现了联想记忆任务。

“一般而言，普通导体的电阻不会变，但我们发现了一种磁性薄膜，它的电阻反而随着电流增加越来越低，我们把这种磁性材料连接成一个霍普菲尔德网络，它无需外部干预即可自我迭代和演化，即‘自主学习’。自主学习后的磁性霍普菲尔德网络经过实验证实能很好地完成联想记忆任务。”复旦大学微纳电子器件与量子计算机研究院青年研究员余伟超告诉解放日报记者。

据介绍，有别于传统的二进制计算，这是和冯·诺依曼计算架构完全没有关系的一种全新计算方式。这里的物理体系模拟的信号是连续的，就像我们肉眼看见的光是一个真实信号，而不是用二进制拼出来的数字信号。

联想记忆和图像语音识别并不新鲜，实现手段也不少，但利用物理体系完成类脑自主学习，还是颇具原创性和创新性。

【物理学与AI之间天然的联系】

就在几天前，《美国国家科学院院刊》正式接收了研发团队关于磁性薄膜实现自主学习的这篇论文。为了等待这一天的到来，余伟超2021年入职复旦时，特意存了一瓶酒来激励自己，“本以为会很激动，但那天心情异常平静，而且因为忙着工作，酒也没喝。”

为了找到合适的磁性薄膜需要做很多尝试，复旦大学微纳电子器件与量子计算机研究院青年研究员郭杭闻为实验付出了很多心血。余伟超说这是一个“有点枯燥和乏味”的过程，但如果能实现就会“很酷”。

让沈健感慨的是，大约40年前，受到物理学启发的霍普菲尔德神经网络论文就是发表在《美国国家科学院院刊》。40年后，他们基于物理体系构建了物理霍普菲尔德神经网络，并实现了该网络的自主学习。

物理学与人工智能之间天然存在着深刻而密切的联系。在物理学推动下，仅有少数节点的霍普菲尔德网络发展到如今拥有超过1万亿个参数的深度学习网络；而借助机器学习，物理学在希格斯粒子的发现、系外行星的寻找、分子和材料性质的计算、蛋白质结构预测以及高效太阳能电池开发等领域取得了显著成果。

物理学与人工智能之间的协同发展，不仅闪耀着科学的交叉融合之美，也为未来科技创新开辟了广阔空间。

“还有很长一段路要走。就拿类脑自主学习来说，科学界对于这一概念的表达还尚未统一，利用物理体系来完成的突破点和难点在于找到有意义的应用场景，我们也还在探寻中。”沈健说。