🔬 applied physics

In situ local learning of dynamic network materials

本文介绍了一种用于动态网络材料的原位局部学习框架，该框架利用正向和时间反向伴随驱动使物理系统能够自主计算梯度并训练其自身的力学参数，从而使材料能够直接从任务中获取多样化的动力学功能，而无需预设结构或专家知识。

原作者： Shuaifeng Li, Xiaoming Mao

发布于 2026-09-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Shuaifeng Li, Xiaoming Mao

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

长期以来，物质一直被视为受力作用的被动舞台，或是为执行单一、固定任务而构建的静态工具。桥梁承载重量；弹簧储存能量；透镜聚焦光线。在每种情况下，其功能在制造过程中都已硬编码进材料的形状与成分之中。如果环境发生变化或出现新任务，材料便无法进行调整。这种局限性驱动了人们对另一种不同物质的浓厚兴趣：一种能够学习的物质。正如生物大脑通过调整其连接来识别面孔或声音一样，研究人员正在探索，是否可以通过体验正确的反馈，来调节材料内部的物理键合与质量，从而执行复杂的任务——例如将物体从波中隐藏起来，或对声音进行分类。这种方法不将材料视为成品，而是将其视为一个能够通过自身运动获取智能的系统。

密歇根大学的一个研究小组现在展示了一种通过应用特定的两步物理协议，来教导这些动态材料学习新功能的方法。他们开发了一种称为“原位局部学习”（in situ local learning）的方法，该方法允许由弹簧和质量组成的物理网络计算自身的误差，并直接在物理系统内部调整其内部属性。研究人员并非依赖数字孪生来告知材料如何改变，而是利用材料本身来计算必要的调整。该过程包含两个截然不同的运动阶段。首先，材料由输入信号（如振动或力）驱动，并测量其响应。如果响应并非预期结果，则会产生一个误差信号。随后，该误差被记录下来，并在时间上进行反转，作为第二个向后驱动信号反馈到同一个物理网络中。通过观察材料对这种时间反转误差的反应，系统可以精确识别哪些内部连接需要增强或减弱，以提高其性能。

这种方法的精妙之处在于其简单性和局部性。研究人员不需要测量整个网络的完整状态，也不需要在中央计算机中进行复杂的计算。相反，每个独立的弹簧和质量块只需要了解其紧邻位置发生的力和运动。当正向信号与时间反转的误差信号相遇时，它们会在局部发生相互作用，从而产生一个梯度——这是一个数学方向，告诉网络的每个部分应该变得更硬、更重，还是更具运动阻力。这使得材料能够同时更新其自身的刚度、质量和内部摩擦，从而通过其自身的物理动力学有效地“学习”一种新的行为。研究人员在一种无序的机械节点和键合网络（这种结构看起来可能像是一个由弹簧和砝码组成的纠缠网络）上测试了这一框架，并展示了只需改变对预期结果的定义，该网络就能掌握四种截然不同的任务。

在第一个演示中，材料学会了扮演波的隐身衣。在网络中间放置了一个坚硬且沉重的障碍物，这一特征通常会导致入射波发生散射，并在下游造成混乱。研究人员为材料设定了一个目标：使经过障碍物的波看起来就像障碍物根本不存在一样。通过反复应用正向和反后的信号，网络调整了障碍物周围弹簧的刚度和质量。结果是一种宽频带隐身衣，它在一定频率范围内起作用，抑制了散射特征，使波能够绕过障碍物流动，仿佛障碍物是透明的一样。这并非通过遵循预先写好的蓝图实现的，而是通过材料在误差信号的引导下，通过试错法发现了必要的配置。

第二个任务要求材料完成一项通常对于普通透镜来说是不可能完成的任务：观察比所用波长更小的物体细节。在标准物理学中，这些微小的细节是由“消逝波”（evanescent waves）携带的，它们几乎会立即消失，永远无法到达远处的探测器。研究人员训练该网络作为一个能够捕捉这种衰减信息并将其传输到图像平面的透镜。材料学会了操纵波的近场结构，从而保留了通常会消失的高频细节。当使用不同的字母形状进行测试时，训练后的网络成功重建了图像，证明了它已经学会了利用这些看不见的、衰减的波场部分来创建清晰的图像。

第三个例子展示了材料可以如何利用摩擦力（或阻尼）来发挥优势。在大多数机械系统中，阻尼被视为一种消耗能量并停止运动的干扰因素。在这里，研究人员要求网络反其道而行之：利用固定的阻尼在特定时刻产生一个巨大的、尖锐的运动脉冲。通过在网络中重新分配摩擦力，材料学会了组织其内部振动，使它们产生相长干涉，从而在输出端产生一个强力的瞬态峰值。这种增强在均匀或标准的阻尼条件下是无法实现的，这证明了材料已经学会了一种处理能量耗散以实现特定目标的复杂且非标准的手段。

最后，研究人员将相同的学习规则应用于类似于机器学习的任务：声音分类。他们向网络输入了三种不同元音的声音波形，并要求它将这些声音分为三类。网络并未被编写关于语音学或信号处理的规则。相反，它只是被告知每个声音对应的输出区域应该被激活。通过同样的局部学习过程，材料调整了其内部参数以识别每个元音的独特时间模式。它成功地学习了如何将正确声音的能量引导至正确的输出通道，在区分元音方面达到了很高的准确度。这表明，同一个物理系统可以作为一个分类器，处理随时间变化的数据，并基于其学习到的内部状态做出决策。

这些结果为我们设计和使用材料提供了一种新的范式。我们不再是为特定工作设计特定的结构，而是可以为材料提供一个学习规则和一个目标，然后让它自行寻找解决方案。该框架弥合了物理材料与人工智能之间的鸿沟，表明物理定律可以直接在硬件中执行计算和学习。材料不仅仅是对世界的响应，它还在从世界中学习。虽然目前的演示依赖于可以在实际硬件中实现的物理反向传播原理，但这种方法为开发能够适应变化环境、修复自身功能或在建成后习得新技能的智能材料提供了路径。能够在原位学习时间响应，意味着下一代智能材料可能不仅由工程师编程，还可能学会自我编程。

技术摘要：动态网络材料的原位局部学习

问题陈述
功能材料传统上依赖于预先设计的结构来实现特定的功能，而物理神经网络（PNN）则通过原生动力学将物理输入转化为输出。这两种范式之间存在显著鸿沟：目前的方法通常需要对可微的数字孪生进行“计算机内（in silico）”训练，然后再迁移到硬件上，由于制造缺陷、漂移和建模不确定性，这会导致模拟与现实之间的差距（simulation–reality gap）。此外，现有的物理学习方案通常局限于静态平衡态、稳态谐振或受限的机制，忽略了惯性和阻尼。目前缺乏一种通用的局部学习规则，能够使动态网络材料在全时域内运行，其响应由刚度、质量和耗散共同塑造。挑战在于，如何使材料能够在不依赖全局数字模型的情况下，通过自身的物理动力学直接从动态任务中获取功能。

方法论
作者为受二阶微分方程控制的动态网络材料引入了一种原位局部学习框架。其核心机制是对同一个物理网络施加两种不同的驱动：

前向驱动（Forward Drive）： 输入信号 $F(t)$ 驱动网络，产生前向轨迹 $u(t)$ 、键长伸长 $e(t)$ 、速度 $\dot{u}(t)$ 和加速度 $\ddot{u}(t)$ 。
时间反向伴随驱动（Time-Reversed Adjoint Drive）： 误差信号源自实际输出与目标轨迹之间的偏差，该信号经过时间反向处理后，作为源项作用于同一个网络。这会产生一个伴随场 $u_{adj}(t)$ 。

该学习规则基于伴随状态原理（adjoint-state principle）推导而来。通过定义时间积分损失函数 $L = \int_0^T \ell[u(t), t] dt$ ，损失函数对局部参数（弹簧常数 $k$ 、节点质量 $m$ 、键阻尼 $b$ 和节点阻尼 $\beta$ ）的梯度是通过前向场与伴随场的局部乘积计算得出的。至关重要的是，时域动力学的伴随方程在数学上等同于带有时间反向源项的前向方程，这使得物理系统能够计算自身的梯度。

更新规则是严格局部化的：

键参数 ( $k, b$ )： 仅需要共位的在前向伸长 $e_j$ 、伸长率 $\dot{e}_j$ 以及伴随伸长 $e_{adj,j}$ 。
节点参数 ( $m, \beta$ )： 仅需要共位的在前向速度 $\dot{u}_i$ 、加速度 $\ddot{u}_i$ 以及伴随位移 $u_{adj,i}$ 。

这种方法消除了对整个设备的可微代理模型的依赖，将负担从模型保真度转向了能够暴露局部相关性的物理协议设计。

关键结果
该框架通过四项不同的演示进行了验证，每项演示使用相同的学习规则但具有不同的损失函数：

宽带波隐身（Broadband Wave Cloaking）： 网络被训练以抑制刚性重型障碍物的散射特征。通过最小化遮蔽系统下游响应与无障碍参考值之间的均方误差，网络学习到了非均匀分布的刚度、质量和阻尼。训练后的材料成功实现了在一定频率范围内的宽带隐身，且无需闭合形式的变换设计，即可推广到未见的频率-相位组合。
瞬逝波成像（Evanescent-Wave Imaging）： 网络被训练将近场物体图案（字母 C, L, T, U, O, X）映射到图像平面，从而保留了通常会衰减的高空间频率信息。学习到的参数创建了一个透镜，利用瞬逝分量实现了高目标相关性和聚焦精度。当物体-透镜间隙增大或高空间频率内容被移除时，性能发生退化，证实了该机制依赖于近场传输。
被动瞬态输出增强（Passive Transient Output Enhancement）： 在固定刚度和质量的情况下，网络重新分配固定的被动阻尼预算，以增强跟随力脉冲后特定输出节点的瞬态位移。训练后的非比例阻尼分布显著优于均匀阻尼和比例（Rayleigh）阻尼控制。分析表明，这种增强源于非正规模态动力学（non-normal modal dynamics），其中非正交特征向量允许衰减模态进行相长干涉。
元音分类（Vowel Classification）： 该网络作为物理神经网络执行时间分类任务。随时间变化的声学波形（三种元音 /iy/, /ae/, /ei/）被编码为机械输入。网络学习将累积的机械能集中在对应于特定元音类的特定输出区域，在留存测试集上实现了约 86% 的准确率。

意义与主张
本文声称为动态网络材料作为可编程物质和物理神经网络提供了一条统一路径。其主要意义在于证明了通过改变损失函数（而非依赖专家知识或特定任务的设计规则），单一且通用的原位学习规则可以编程实现多种多样的物理功能——从波控制和成像到信号处理及分类。

主要贡献包括：

物理反向传播的扩展： 从静态或稳态谐振机制扩展到全时域动力学，将惯性和耗散纳入可训练的自由度。
局部物理学习： 确立了时域任务的梯度可以通过仅使用共位的在前向场与伴随场来局部计算，这使得该方法与“全局状态测量不切实际”的物理学习原则相兼容。
将耗散作为资源： 证明了阻尼不仅是寄生损耗，更是一种可训练的资源，可以通过空间重新分布来塑造瞬态响应和模态相互作用（例如，通过创建非正规动力学来实现瞬态增强）。
可重编程性： 展示了同一物理材料可以通过持续的局部学习，在不同任务（如从聚焦转为吸收）之间进行重编程。

作者对实验实现保持了审慎的态度，承认目前的演示假设可以获取动力学场（位移、速度、加速度），这些场在硬件中必须被测量或推断。他们指出，未来的实现必须解决硬件噪声、漂移以及参数物理可调性的问题，但该框架为实现能在原位学习时间响应的材料提供了理论基础。

技术摘要：动态网络材料的原位局部学习

类似论文