![3a6f3f87254099d8c0fd64691f398f23.png](https://i-blog.csdnimg.cn/blog_migrate/73e63b0dbdbcd023bd0c0eca0516ce27.jpeg)
将物理框架引入机器学习是现今最火热的研究趋势之一,全光衍射神经网络就是其一,本人在个人专栏曾通过两篇文章对相关知识进行介绍,并对基础代码进行解析。
CHEN:(四)光学现象的Python实现:老树开新花之光的反射与折射zhuanlan.zhihu.com![126abeb00b9fccb376b91020023c8589.png](https://i-blog.csdnimg.cn/blog_migrate/2b13e475140a37f868bfbc5a2f480f56.jpeg)
![2f4ae37360071bc2683fd42e3a30c7ec.png](https://i-blog.csdnimg.cn/blog_migrate/6ce62b533f52208990a1a3c61e9b864b.jpeg)
在光学神经网络被完美实现的同时,科学家逐渐将目光聚焦在声学神经网络。
近期,斯坦福大学发表在《Science Advances》的研究成果,揭示了物理学中光/声波动与 RNN(循环神经网络) 中的计算存在着严格的一一对应关系。
![a367eed8bfd536766a5d7ab62c46b529.png](https://i-blog.csdnimg.cn/blog_migrate/e5d65a76ca9e20d7643448543cb9f63b.jpeg)
在此,本人将从公式原理角度对这种一一对应关系进行分析,文章的源代码请移步:
www.github.com/fancompute/wavetorch/www.github.com原理实现
为了描述光学/声学等物理量的传播过程,我们提出标量波场分布的动力学方程为
其中,我们用
如果以RNN为例,考虑时间
为了进一步将波动方程更清晰的映射成RNN神经网络的迭代和优化形式,我们将上式改写成矩阵形式:
![c65bda43690e042b81d858ce05ec26a6.png](https://i-blog.csdnimg.cn/blog_migrate/fd44255c3d1cc58b2bf3147f1ea02be0.png)
进一步简化书写形式,引入
![1db06ebd88875616a45362ce1083068b.png](https://i-blog.csdnimg.cn/blog_migrate/146543276aef51ed4c30d6e03ee6a6b9.png)
其中,
![8130a27f796d453a878e1fa9b3447f74.png](https://i-blog.csdnimg.cn/blog_migrate/56995f98460156ee8d98518bcccae200.png)
这将与RNN的传递函数一一对应 [1]:
![900c4ecd53df4a530a0f9f615ec46179.png](https://i-blog.csdnimg.cn/blog_migrate/2495bbfa4a50e3e86a867bcafe586930.png)
总结
该研究证明了波动方程在概念上、原理上完全等价于 RNN。
一方面,该研究梳理出了物理学和神经网络结合的理论内核,另一方面,又为一类新的计算平台提供了思路。
光学/声学神经网络已经到来,热学/力学神经网络还会有多远?
【1】注:个人笔记系列,内容没有展开叙述,供本人时阅时新。RNN的传递函数,详见Wave physics as an analog recurrent neural network