基于局部物理信息瓶颈的深度物理神经网络训练
机器学习
2026-02-11 v1 应用物理
摘要
深度学习已彻底改变现代社会，但面临日益增长的能源和延迟约束。深度物理神经网络 (PNN) 是一种直接利用类比动力学以实现能源高效、超快 AI 执行的互连计算系统。实现这一潜力，然而需要针对物理细节量身定制的通用训练方法。本文提出了物理信息瓶颈 (PIB)，这是一种通用且高效的框架，将信息理论与局部学习集成，使深度 PNN 能在任意物理动力学下学习。通过为每个单元分配基于矩阵的信息瓶颈，我们展示了在电子 memristive 芯片和光学计算平台上实现监督、无监督和强化学习。PIB 也适用于严重的硬件故障，并允许通过地理分布式资源实现并行训练。PIB 绕过了辅助数字模型和对比度测量，将 PNN 训练重塑为与多样化物理基质兼容的内在、可扩展的信息论过程。
关键词
引用
@article{arxiv.2602.09569,
title = {Training deep physical neural networks with local physical information bottleneck},
author = {Hao Wang and Ziao Wang and Xiangpeng Liang and Han Zhao and Jianqi Hu and Junjie Jiang and Xing Fu and Jianshi Tang and Huaqiang Wu and Sylvain Gigan and Qiang Liu},
journal= {arXiv preprint arXiv:2602.09569},
year = {2026}
}
备注
9 pages, 4 figures