成电讲堂

6月18日，复旦大学沈健教授应邀做客“学者论坛”，为师生带来题为“基于物理演化过程的智能计算”的学术讲座。本次学者论坛由教师发展中心主办，物理学院和基础与前沿研究院承办。物理学院乔梁教授主持。

报告中，沈健教授首先介绍了物理神经网络和基于物理系统的类脑计算。他指出，传统人工神经网络通常依赖误差反向传播和梯度下降算法，通过最小化损失函数优化权重；物理系统在外部输入作用下可自然趋向能量最小状态，有望以更快、更节能、较少依赖外部数值计算的方式完成学习与优化。随后，他结合铁电材料、光学系统和自旋电子学等事例，说明物理过程可用于矩阵乘法加速和神经网络硬件化。

在此基础上，沈健教授重点介绍了自旋体系在物理智能计算中的优势。他指出，自旋系统天然具有记忆、非线性、振荡、随机性、多自由度和可塑性等特征，是构建物理神经网络的候选平台。报告以Hopfield网络和磁畴自学习为例，阐释了利用磁畴动力学和各向异性磁阻效应构建电导矩阵、实现权重更新和联想记忆的机制。相关实验表明，该类体系能够从部分或含噪输入中恢复完整图案，并具备快速训练潜力。

随后，沈健教授进一步介绍了人工自旋冰在可调储备池计算中的应用，以及基于扩散系统的少样本学习方法。他展示了三轴人工自旋冰在时间序列预测、非线性响应和短时记忆任务中的表现，并说明通过调节外加磁场强度可实现储备池性能控制。针对图像处理任务，报告还介绍了非线性扩散系统在自适应去噪、高动态范围处理和细节增强中的应用，展示了物理演化过程在前端图像预处理中的潜力。

报告最后围绕组合优化问题展开讨论。沈健教授介绍了基于电子相分离锰氧化物的P-bit概率计算方案，并结合贝叶斯推断、能量最小搜索和SAT问题等案例，说明随机物理体系可为大规模优化问题提供新的求解范式。本次报告内容前沿，系统展示了物理演化过程在无反向传播训练、少样本机器学习和组合优化中的应用前景，拓展了师生对人工智能、凝聚态物理与类脑计算交叉研究的认识。