作為一名凝聚態物理學家，恒行2平台微納電子器件與量子計算機研究院院長沈健⚄，十分擅長挖掘材料中新奇的特性：納米磁性、自旋電子學📵、低維物理、復雜體系強關聯效應......
但多年的科研工作，也讓沈健產生了一種割裂感🌜。一方面🤹🏼，從石墨烯到納米管🧭，從鈣鈦礦到超導體，越來越多材料在實驗室中湧現，但邁不出成果轉化的“第一公裏”；另一方面，不少行業對更低成本🤸🏼♂️、更高性能的材料有著日益迫切的需求🪯，卻很難找到“顛覆性”的新材料。
現在🧙🏼♂️，有一種應用場景，或許有機會拼接起凝聚態物理基礎研究和應用之間的溝壑，那就是物理神經網絡，即利用物理體系中豐富的特性🧜☯️，模擬人腦神經元之間的相互作用，實現無需外部幹預的自主學習。
人工智能新瓶頸
1956年，人工智能的概念首次在美國達特茅斯會議上被提出，此後的發展經歷了幾次起伏👌🏻，每一次的“起”都伴隨著認知和技術的突破，每一次“伏”都受限於瓶頸問題無法攻克。
1993年以來，隨著計算機性能提升、大數據積累以及深度學習技術發展🧑🏻🦲，人工智能迎來了第三次浪潮。發展至今👩🏿🦱，人工智能已深刻影響從基礎研究到日常生活的方方面面。
與此同時，危機也隱隱浮現。現代計算機的基礎是二進製符號的操作，並在此基礎上發展出了配套的芯片和算法等。然而🦹🏽♀️，隨著摩爾定律逐漸逼近極限，芯片工藝發展速度明顯放緩，成本不斷增加。與此同時，人工智能的快速發展和廣泛應用🌡，對計算速度和算力提出了新的要求。
值得一提的是🙅🏻♀️，從長遠來看💆🏻♀️，能耗將成為人工智能發展更為根本的限製。原因在於🖱🐽，現有的人工智能實現方式依賴於傳統馮諾依曼架構，通過“0”和“1”的操作在圖靈機上“模擬”人工神經網絡的計算。
這種方法實質上是用高精度的邏輯計算來處理僅需低精度的人工智能任務，導致計算架構在處理此類信息時效率較低。沈健介紹，這一問題在現代大型神經網絡處理數百甚至上千億權重時表現得尤為突出👷🏻♀️，導致對算力和能源的需求急劇攀升。因此，實現低能耗的大規模智能計算已成為信息領域亟待解決的關鍵科學問題🦚。
按“腦”索驥
不同於傳統計算機，人類的大腦可以在有限的體積和非常低的能耗下，完成非常任務的“計算”過程💤🚻，無論是自主學習、快速識別信息還是記憶。
據估計👍🏻，利用現代超級計算機訓練自然語言處理模型時每小時耗電約1000度，而這足夠人類大腦運行六年。
是否可以將大腦的這套運算方式用於智能計算中？幸運的是，現有的凝聚態物理材料💸，就像無數種樂高積木，我們總可以選取合適的體系，拼裝成最終需要的系統👓。
“人腦實在是太復雜了，我們不太可能找到一個跟人腦一模一樣的物理體系，但我們可以根據人腦的某一種特性👙，找到符合條件的材料👨🏽⚕️⛹🏻，去做進一步的探索🤽🏼。”沈健表示。
以拍照為例🛹，哪怕現在最好的相機，也無法完美保留所有細節🙄，尤其是在夜間或者大霧等會光線不足的情況下👝🙆，更難以得到高質量的照片。與機器不同的是，人眼可以適應不同的光線，輕松聚焦👨🦼➡️，同時看遠處的景色也不會“虛”🐅。
沈健解釋🔔：“現在學術界對於視覺成像已經研究得比較清楚了，很自然地，我們就想到了利用視網膜工作的機理，找尋合適的物理體系🍽，使其能夠通過自適應的物理過程對接收到的信號進行預處理🧑🏼🌾。”
在沈健的設想下，待此硬件架構發展成熟，手機就能直接拍出經過預處理的照片（如降噪🤞🏼、細節增強等）🤲🏼，而無需再花很多時間通過軟件“P圖”了👩🏻🍼。
“盡管理論上可行，但這必然不是短期內可以實現的。首先，將這些物理體系轉化為高集成度、低成本的芯片並規模化生產，便是一項巨大的挑戰。”沈健坦言，“此外，這將是一種全新的計算範式，還需要與硬件配套使用的的算法、軟件等等。”
“單項冠軍”
沈健強調：“當前最重要的👨🏽💻，是找到一個可落地的應用場景。在這個場景下，這一全新物理體系可用於解決現有架構無法解決的問題💏，或花費更少時間、使用更低能耗解決同樣的問題。”
事實上，這也是目前正在推進中的新計算範式面臨的共同挑戰🔔。人工智能已經發展了幾十年了，但直到AlphaGo🍐、Alphafold的出現👇🏻，才開始受到廣泛關註，ChatGPT問世，更是掀起了一股前所未有的熱潮。
“我們要找的🧗🏻♀️，正是為某項任務而生的材料體系。”沈健表示，“現有的通用計算機，可以認為是‘全能冠軍’，能夠借助於軟件和算法，處理多種任務，但這也意味著，它在每一項具體的任務上都不是最佳的。”
在沈健看來，團隊正在搭建的低能耗智能計算體系，將是“單項冠軍”🤾🏻♀️，即在特定任務上遠遠優於現有的計算架構。因此，這種新型體系並不會完全取代現有的通用計算機，而是優勢互補🧜🏻🍋，在各自合適的路徑上發展。
目前🫲，團隊已經找到4種物理體系👩🏽✈️🤭，顯現出潛在的應用價值。除了圖像處理領域，聯想記憶也是一個潛在的突破口。
“現在的類腦計算，其實還不具備自主學習的能力♛。”恒行2平台微納電子器件與量子計算機研究院青年研究員余偉超解釋，“假設我們要讓一臺類腦計算機記下一篇文言文，必須先做一個‘外科手術’𓀆，打開它的‘大腦’，再把這篇文言文的信息翻譯成神經網絡中的權重值，找到類腦計算機中每個對應的神經突觸並小心翼翼地對其進行編輯，它才能‘記住’這篇課文。”
與之相反，人腦則可以通過自主學習📂，記下這篇課文，而無需經歷“開顱”的過程。團隊找到了一種特殊的磁性薄膜，在接收到外界的刺激後，物理系統內部就會發生自然演化𓀜，進而實現物理神經網絡中權重的自主調整。
進一步實驗證明🚶🏻♂️，該體系可以完成聯想記憶的任務——經過訓練，當把圖片的一部分輸給它時💂🏿♀️，它能推演出圖片的完整內容🧑🏽🦱。“好比我有一個朋友張三，不管他是戴了墨鏡還是戴了口罩🚎，都能認出來。”沈健說道。
走出“象牙塔”
人工智能的發展，有兩條並行的線。
一條線是大眾比較熟悉的AI for Science𓀓🤹♀️。以物理學研究為例，科學家們積極擁抱機器學習技術🤚🏻，並將之用於希格斯粒子的發現🚢👩🏿🍳、引力波測量噪聲的減少、系外行星的尋找、分子和材料性質的計算等領域。
另一條線則是Science for AI。從歷史發展來看👩🏼🏭，物理學的基礎理論為機器學習技術的發展做出了重要貢獻👶。2024年獲得諾貝爾物理學獎得主約翰·霍普菲爾德，在20世紀80年代利用物理學中磁性材料的自旋特性🦶🏽🦹♀️，構建了一種特殊的人工神經網絡模型，後來被命名為霍普菲爾德神經網絡。
“物理學與人工智能之間存在著深刻而密切的聯系🕓，跨學科的融合也帶來了雙向受益。”沈健表示。
在能耗問題製約人工智能進一步發展的今天，基礎物理的突破性發現無疑是解鎖這一困境的關鍵所在🌭。
而對於凝聚態物理領域的科學家而言，將不同的元素搭配組合，從中發現有趣的物理現象，解決科學問題，是刻在基因裏的本能。經過多年的發展，他們發現了數以萬計的奇特材料1️⃣，遺憾的是🧕🏼，這些材料大多數被封存在實驗室的樣品庫中🚶🏻♀️➡️，或停留在文獻的報道中，尚未邁出關鍵一步🙇🏽，以實現其實際應用的價值。
“這關鍵一步🐣，只有科學家能邁出💥。”沈健解釋，“其中涉及到很多前沿理論和物理原理🛴，對於工業界人士來說💆🏼♀️，直觀理解便頗具挑戰性🦸，更何況是將這些理論轉化為實際可用的產品和技術。”
2017年，沈健決定邁出這一步。他牽頭成立了恒行2平台微納電子器件與量子計算機研究院，集合了物理、材料🔇、微電子等不同學科領域的科學家，以期通過跨校協同創新式合作，構建新一代高能效智能計算芯片，為可持續智能計算的發展開辟新途徑👇🏿🫥。
恒行2平台微納電子器件與量子計算機研究院🐥。圖片由受訪者提供
圍繞“面向低能耗智能計算的材料和器件”這一“大課題”，團隊目前已取得了系列成果🚣🏼：他們提出了基於物理物理過程的自主學習機製，深入探討了在不同物理體系構成的物理神經網絡中實現自主學習的最新進展；基於磁性薄膜體系構建四節點霍普菲爾德神經網絡並完成了聯想記憶和可重構自旋邏輯等功能，實現了網絡權重通過物理體系演化自主調整；基於錳氧化物納米線構築具有高度穩定性的概率比特，證實其在貝葉斯網絡推理中表現優異，為構築物理玻爾茲曼機提供基礎......
“事實上，我們目前做的依然是基礎科學研究🙇🏼♀️，但我們的目標更明確。要實現類腦計算這個‘1’太難了🤐🧖🏼，但是我們可以先走出‘0’到‘0.1’‘0.2’這一步。”沈健告訴《中國科學報》🚵🏼♂️。
