“Physics for AI” 是近年来在全球迅速兴起的交叉研究方向。其核心理念是利用物理体系中的丰富自由度和动力学特性，设计并实现智能信息处理功能。通过调控量子材料、非线性介质、相变体系等物理过程，可以在硬件层面模拟和增强神经网络中的学习与推理机制，推动具有自主适应性和高能效的智能算法与计算架构的发展，开辟出超越传统冯·诺依曼架构的全新人工智能计算范式。
本课题组的研究重点包括以下两个方向:
1. 物理神经网络（Physical Neural Networks, PNNs）：探索利用物理系统（如CMOS电电阻网络、磁性、相变材料等）本征动力学特性实现高能效的神经网络计算，发展无需传统反向传播的物理学习机制，推动新型类脑智能架构设计。同时，开展物理神经网络的理论建模、算法设计与物理实现研究。
2. Ising机（Ising Machines）：面向高效求解组合优化类问题，课题组聚焦Ising模型在组合优化与智能计算中的应用理论、优化算法设计与硬件加速实现，探索基于自旋体系、概率比特、以及FPGA上的高性能可重构Ising计算平台，构建具备高扩展性和高能效的优化计算架构，服务于问题求解及AI任务加速。
以物理赋能智能，以智能引领物理 —— 本课题组致力于探索物理体系与人工智能深度融合的新计算范式，推动未来智能计算架构的跨学科创新。欢迎物理、电子工程、计算机科学、人工智能等相关背景的同学加入，共同探索智能计算的前沿方向。
参考文献：
Wang et al., “Superior probabilistic computing using operationally stable probabilistic-bit constructed by manganite nanowire”, National Science Review 12, nwae338 (2025).
Niu et al., “A self-learning magnetic Hopfield neural network with intrinsic gradient descent adaption”, PNAS 121, e2416294121 (2024).
Yu et al., “Physical neural networks with self-learning capabilities”, Sci. China-Phys. Mech. Astron. 67, 287501 (2024).
Hu et al., “Distinguishing artificial spin ice states using magnetoresistance effect for neuromorphic computing”, Nature Communications 14,2562 (2023).
Niu et al., “Implementation of artificial neurons with tunable width via magnetic anisotropy” Appl. Phys. Lett. 119, 204101 (2021).
