【Science论文】基于波的物理现象作为一种模拟递归神经网络（Wave physics as an analog recurrent neural network）

题目： Wave physics as an analog recurrent neural network

摘要： 在这篇论文中，我们识别了基于波动的物理现象（如声学和光学）的动力学与递归神经网络（RNN）中的计算之间的映射。RNNs是最重要的机器学习模型之一，被广泛应用于自然语言处理（11）和时间序列预测（12-14）等任务。我们表明，基于波的物理系统可以被训练成RNN，因此，可以在其本地域中被动地处理信号和信息，而无需进行模数转换，这将导致速度的大幅提高和功耗的降低。在这个框架中，不是实现有意将信号路由回输入端的电路，而是在物理本身的时间动力学中自然地出现递归关系，并且当波在空间传播时，信息处理的内存和容量由波提供。

作者简介： Tyler W. Hughes，斯坦福大学应用物理系博士，他的研究方向是光子器件模拟和优化中的计算和数学技术，特别是伴随方法。