对人工智能不断增长的需求推动了对基于物理设备的非常规计算的研究。虽然此类计算设备模仿了大脑启发的模拟信息处理，但学习过程仍然依赖于为数字处理优化的方法，例如反向传播，这不适合物理实现。

在这里，来自日本 NTT 设备技术实验室（NTT Device Technology Labs）和东京大学的研究团队通过扩展一种称为直接反馈对齐（DFA）的受生物学启发的训练算法来展示物理深度学习。与原始算法不同，所提出的方法基于具有替代非线性激活的随机投影。因此，可以在不了解物理系统及其梯度的情况下训练物理神经网络。此外，可以在可扩展的物理硬件上模拟此训练的计算。

研究人员使用称为深储层计算机的光电递归神经网络演示了概念验证。证实了在基准测试中具有竞争性能的加速计算的潜力。研究结果为神经形态计算的训练和加速提供了实用的解决方案。

该研究以「Physical deep learning with biologically inspired training method: gradient-free approach for physical hardware」为题，于 2022 年 12 月 26 日发布在《Nature Communications》上。

图片

论文链接：https://www.nature.com/articles/s41467-022-35216-2

内容中包含的图片若涉及版权问题，请及时与我们联系删除