8月24日消息，arXiv收录的 physics.chem-ph 新论文（编号2608.22841，8月24日提交）展示了以聚合物连接纳米颗粒网络（PNNP）为硬件载体的物理神经网络（PNN）仿真研究。论文作者为Xingfei Wei、Manuel Palma Banos与Rigoberto Hernandez。

物理神经网络硬件是下一代人工智能系统的重要方向，而利用热流编码和处理信息的声子器件是神经形态计算的候选方案之一。研究团队将人工神经网络（ANN）反向映射到PNNP模拟模型：以聚合物连接的纳米颗粒网络为计算基元，热流为信息载体。

通过高通量分子动力学（MD）模拟结合信任域贝叶斯优化（TuRBO）方法，研究者调节聚合物连接体的塑性和纳米颗粒的温度来优化PNNP机器的性能——这类似于调节ANN中的权重和偏置。经过5轮高通量MD模拟迭代，PNNP机器的信息处理性能持续改进；研究还用测试数据集验证了每轮最优机器的热流输出。

当前AI算力需求指数级增长背景下，以电子为载体的CMOS硬件面临能耗与互连瓶颈，以热流（声子）为载体的计算架构提供了绕开电荷输运的差异化路径。该工作虽处于原子模拟验证阶段，但为分子基神经形态器件的设计优化建立了高通量筛选方法论，与聚合物纳米复合材料的大规模制备工艺形成潜在衔接。 （来源：arXiv）