特温特大学脑启发计算中心领导的研究团队，展示了一种让电子材料以类似机器学习方式自适应的新方法。该成果发表于《自然通讯》，提出无需反向传播等软件算法的物理学习方法。反向传播作为当今人工智能革命的核心优化手段，虽性能卓越但能耗高昂，而人脑仅需灯泡般能量即可完成类似任务。神经形态硬件虽能提高效率，却因训练难题难以应用反向传播算法。

特温特团队提出的新方法名为同频梯度提取(HGE)，它无需软件优化，可直接在硬件中探寻物理神经网络的最佳工作点。该方法虽仍需施加外部扰动，但优化过程在设备内部完成，无需依赖数字计算机和反向传播算法。这一突破为独立优化物理神经网络提供了可能，有望推动节能、自适应硬件的发展。

BRAINS联合主任威尔弗雷德·范德维尔教授表示：“这为独立优化物理神经网络打开了大门，为实现节能、自适应硬件铺平了道路。”HGE方法的潜在应用广泛，包括能够即时调整的智能传感器，以及专为可持续、低能耗信息处理设计的类脑计算机。这些应用将有助于降低人工智能系统的能耗，提升其在实际场景中的适用性。

更多信息： Marcus N. Boon 等人，《通过同差梯度提取实现物质中的梯度下降》，《自然通讯》 (2025)。期刊信息： 《自然通讯》