最近，机器学习与物理和数值科学的一些领域碰撞出了不少火花。这让机器学习框架在物理模型优化问题中有了用武之地，同时机器学习领域也在物理概念的帮助下出现了很多令人兴奋的新模型（如神经 ODE 和哈密顿神经网络等）。本文作者所在小组的研究重点是：物理本身就可以作为计算引擎。换句话说，作者们感兴趣的是那些可以作为硬件加速器（或是专门用于快速高效的机器学习计算的模拟处理器）的物理系统。他们最近发表在《Science Advances》上的论文，证明了波的物理特性可被直接映射到循环神经网络的时序变化。利用这种联系，作者们通过 PyTorch 开发了一个数值模型，该模型证明我们可以训练一个声学/光学系统，并利用它从人类说话者录音中准确地识别出元音。本质上，作者们将元音元音波形引入物理模型，并允许优化器在域内的 1000 个点上添加和删除材料，这个操作实际上可以当做模型的权重。