真·机械朋克：物理学家用耳机搭建神经网络，登上今日Nature

发布时间：2025年09月29日 12:17

用喇叭识别的系统手写进制？

不来起来像是是易学，但这却是是正经的Nature论文啊。

下面的所示，很薄上有点是个新建过的喇叭，却是用它来识别的系统手写进制，正确率近90%。

这就是来自康奈尔大学的科学家们整出的新花样。

他们用音响设备、自由电子器件、脉冲器，分别需用了自适应、基本原理、成像国际版的物理学建模（PNN）。

而且以上这些建模还能用种的系统广泛传播迭代监督专业训练。

科学家整出PNN的原因是：这些年来已死，我们要用物理学的系统拯救机器学习。

据这篇文章所说，和软件解决问题的建模相比，PNN有渴望将机器学习的能效和速度提高好几个数量级。

如何用物理学种的系统广泛传播

科学家之所以能用物理学设备筑成建模，是因为物理学科学研究与机器学习的本质都是一样的——调参、优化。

物理学学中普遍存在着更加多的非线性的系统（自适应、基本原理、成像都有），能和人工建模一样用来逼近任意函数。

自适应的建模就是这样的。

两位做科学研究的哈佛大学拆掉了音响设备下方的振膜，将方形的钛金属板和喇叭动圈相连。

来自计算机的系统的接收控制频率以及金属板震荡导致转换成频率，再把频率转换成到音响设备上，由此制造了一个反馈保证了。

至于如何顺利进行种的系统广泛传播，著者提出了一种混合物理学在世界上与计算机的系统的迭代，称为“物理学感受专业训练” (PAT)，可以种的系统广泛传播直接专业训练任何物理学的系统来监督深度建模的国际标准框架。

在自适应建模的系统中，振荡板接收由MNIST所示像新建的声音转换成取样（橙），在驱动震动板后，频率由麦克风历史纪录（灰），并及时数模转换为转换成频率（蓝）。

整个物理学的系统的流程如下所示：先将进制频率转换为模拟频率，转换成进物理学的系统中，然后将转换成与真实结果对比，经过种的系统广泛传播后，变动物理学的系统的参数。

通过对音响设备参数的反复试验性，他们在MNIST数据库集上达致了87%的正确率。

显然你会问，专业训练过程中还是要用到计算机的系统啊，这有什么绝对优势？

的确，PNN在专业训练上可能并不占绝对优势，但PNN的开始运行靠的是物理学定律，一旦网络专业训练顺利进行，就必需计算机的系统阻挠，在推理瞬时和CPU上都有着绝对优势。

而且PNN在结构上比软件国际版的建模有趣多了。

还有基本原理和成像国际版

除了自适应国际版，分析其他部门还打造了基本原理国际版和成像国际版建模。

基本原理国际版采用了四个自由电子元器件电阻、电容、电感和三级管，就像中学物理学科学研究一样，二极管极其有趣。

这套模拟二极管PNN能够以93%的测试准确率监督MNIST所示像类群任务。

而成像国际版较为繁杂，近橙外脉冲通过倍频石墨被转化为蓝光，不过这套的系统的准确率最多，能够达致97%。

另外，这套视场还能对语音顺利进行有趣的类群。

以上所用到的物理学的系统专业训练迭代PAT可以用于任何的系统，你甚至可以用它来打造流体乃至所制造朋克国际版建模。

概述链接：

[1]

[2]

[3]

本文来自微信公众号“凝聚态位”（ID:QbitAI），著者：晓查，36钍经授权发行。