近日，浙江大学伊利诺伊大学厄巴纳香槟校区联合学院（ZJUI）研究员、助理教授钱超，联合浙江大学信息与电子工程学院教授陈红胜、国防科技大学助理研究员袁方、洛桑联邦理工学院教授Romain Fleury，在物理神经网络与物质智能领域提出了一种无模型物理神经网络构造计算空间的方法，相关成果发表于Nature Communications。浙江大学2024级电子信息专业硕士研究生宋明非担任第一作者，通讯作者为钱超、袁方、Romain Fleury以及陈红胜，共同作者包括ZJUI研究员、助理教授王高昂、洛桑联邦理工学院博士后研究员Ali Momeni，以及国防科技大学高级工程师李程。

随着前沿计算技术快速迭代，传统数字处理器架构的高功耗、高延迟短板日益凸显。近年来，以物理波场为信息载体直接完成运算的物理神经网络受到学界广泛关注。相较于传统数字计算，它依托波动系统的天然并行性，在运算速度与能效上优势显著，是智能信息处理硬件的重要发展方向。然而，现有物理神经网络大多依赖精确的数学模型和反向传播算法。在复杂环境中，波场传播过程往往伴随多径散射、环境扰动以及复杂耦合效应，难以建立准确的可微模型，严重制约了物理神经网络在真实场景中的应用推广。

针对这一瓶颈，研究团队提出计算空间方案，将整个物理环境视作可训练的神经网络。团队通过分布式超表面调控空间波场，让电磁波在传播、散射、干涉与耦合的自然过程中同步承载信息传输与计算功能，推动物理环境从被动研究对象转变为主动计算载体。

▲计算空间示意图

为赋予“计算空间”自主学习能力，研究团队进一步提出一套无需依赖物理模型的全前向训练框架。该框架直接基于实验实测的物理反馈信号完成参数优化，既无需构建数字孪生模型，也无需计算传统神经网络训练依赖的反向传播梯度，可依托环境真实响应自主调整超表面状态，实现原位学习。

▲无模型全前向训练框架

研究团队搭建了由多块超表面构成的计算空间实验系统，并完成多类任务验证。结果显示系统可在复杂散射环境下实现波场能量聚焦，目标位置信号强度提升超14dB，字母与数字目标识别准确率达95%以上。在目标定位任务中，可精准区分不同空间区域的人体位置，且对人体姿态变化与位置偏移具备良好鲁棒性。实验同时验证了计算空间在智能感知、环境交互领域的广阔应用潜力。

▲计算空间实现目标识别（左图）与定位（右图）

该研究突破了传统物理神经网络对精准数学模型的依赖，首次实现了真实物理环境下的自主学习训练。这意味着未来墙壁、天花板、家具乃至整个室内空间，都可成为具备计算能力的智能载体，催生出全新的“物质智能”形态。下一步，研究团队将引入非线性物理器件与自适应在线学习机制，进一步提升计算空间的学习能力与泛化性能，推动技术在智慧家居、人机交互、自动驾驶等场景落地。

《自然-通讯》（Nature Communications）是Nature Portfolio旗下于2010年创刊的多学科开放获取期刊。期刊覆盖生物、物理、化学、地球、健康及工程等九大学科领域，致力于发表对各领域专家有重要意义的高质量研究进展。作为完全开放获取期刊，其2025年影响因子为18.1，年引用量突破百万，以高效严谨的审稿流程著称。