物理 Kolmogorov-Arnold 网络中的非线性异质性学习
无序系统与神经网络
2026-02-09 v3 介观与纳米尺度物理
机器学习
适应与自组织系统
应用物理
摘要
物理神经网络通常训练线性突触权重，而将器件非线性视为固定属性。我们展示了相反的情况——通过训练突触非线性本身（如 Kolmogorov-Arnold Network (KAN) 架构），与传统的基于线性权重的网络相比，我们获得了显著更高的单位物理资源任务性能和更优的性能-参数缩放，证明了 KAN 拓扑结构利用可重构非线性物理动力学的能力。我们在绝缘体上硅器件中实验实现了物理 KAN，我们将其称为“突触非线性元件”（SYNE），该器件在室温、微安电流、2 MHz 速度和每非线性操作约 750 fJ 的条件下运行，在 10^13 次测量和数月的时间尺度上未观察到性能退化。我们演示了非线性函数回归、分类，以及基于含噪真实世界多传感器数据的锂离子电池动力学预测。在所有任务中，物理 KAN 均优于参数量等效的软件多层感知机网络，其参数量减少达两个数量级，且与基于线性权重的物理网络相比所需器件减少两个数量级。这些结果确立了学习到的物理非线性作为紧凑高效学习系统的硬件原生计算原语，并将 SYNE 器件确立为异质非线性计算的有效基底。
引用
@article{arxiv.2601.15340,
title = {Learning Nonlinear Heterogeneity in Physical Kolmogorov-Arnold Networks},
author = {Fabiana Taglietti and Andrea Pulici and Maxwell Roxburgh and Gabriele Seguini and Ian Vidamour and Stephan Menzel and Edoardo Franco and Michele Laus and Eleni Vasilaki and Michele Perego and Thomas J. Hayward and Marco Fanciulli and Jack C. Gartside},
journal= {arXiv preprint arXiv:2601.15340},
year = {2026}
}