Nature Communications：模型无关超表面神经网络把“计算空间”做成物理智能实验平台
学术圈重大事件 · 发布 2026-06-21T17:31:00+08:00 · 更新 2026-06-21T17:41:28+08:00
Nature Communications 6 月 20 日发表浙江大学、国防科技大学相关单位和 EPFL 团队论文，提出用分布式智能超表面构建 model-free metasurface neural network，让复杂电磁环境本身承担计算。作者用全前向学习框架从现场可测电磁反馈估计零阶梯度，绕开传统反向传播所需的精确可微模型，并在实验中实现字母 97%、数字 99% 的识别准确率，同时展示散射环境聚焦增强和人体定位。它把物理神经网络从“可模拟系统”推向“现场可训练空间”。
Nature Communications 6 月 20 日上线论文“Creation of a computational space with model-free metasurface neural network”。论文关注的是 physical neural networks, PNNs：这类系统希望利用物理介质自身的动力学完成高速、低能耗信息处理，但一旦介质处在强耦合、无序、散射明显的环境中，精确建模和可微训练都会变得困难。
<a class="c-article-recommendations-card__link" itemprop="url" href="https://www.nature.com/articles/s41586-025-09384-2?fromPaywallRec=fa（图源：Nature Communications 论文页）
作者给出的方案是把“计算空间”本身作为神经网络。论文摘要称，该空间由分布式智能超表面组成，训练时不再依赖对复杂电磁环境的完整数字模型，而是通过 fully-forward learning 从现场可测的电磁反馈估计零阶梯度。换言之，系统学习的对象不是被简化后的仿真器，而是实际空间中波与超表面、障碍物和目标之间的相互作用。
实验结果给出几个可核验指标：团队构建的计算空间在字母字符识别上达到 97% 准确率，在数字模式识别上达到 99% 准确率；同一平台还展示了无序散射条件下的增强聚焦，以及较可靠的人体位置定位。作者把这一范式概括为从“computing the physics”转向“computing with physics”，强调物理环境不只是干扰源，也可以成为可训练的计算资源。
这条进展的意义在于，它把超表面、电磁空间控制和物理 AI 连接到一个可实验验证的平台。对边缘感知、具身智能、室内定位、人机交互和网络物理系统而言，现实环境通常难以被精确建模；如果计算单元能直接从环境反馈中学习，部分任务可能不必先把全部信息转换成传统数字输入再处理。对硬件 AI 研究者来说，这也提供了一个不同于芯片内神经网络加速器的路线：让空间、波场和可编程材料参与计算。
仍需观察的是，论文证明的是特定电磁场景下的实验能力，尚不能直接推出通用 AI 硬件或大规模商业系统。后续关键在于可扩展性、训练稳定性、噪声鲁棒性、动态环境迁移能力，以及不同频段、不同建筑或工业场景中的复现成本。它目前更像物理智能和可编程环境研究中的基础设施信号，而不是马上可部署的产品发布。
来源：Nature Communications 论文页；DOI
信息来源
可信度说明
主要证据来自 Nature Communications 同行评议论文页面，页面列明 2026 年 6 月 20 日发表、DOI、摘要和作者机构；关键指标来自摘要披露的实验结果。证据边界在于平台仍处研究展示阶段，通用性、动态场景鲁棒性和部署成本需要独立复现与工程验证。