训练一个神经网络预测光学材料的性质，听起来不难，但真正的麻烦藏在数据生成这一步。

生成一个训练数据点，需要用超级计算机跑十分钟到一个小时；而一套完整的训练数据集，可能需要多达四万次这样的模拟运算。算下来，光是准备数据就要耗费大约三十天。

瑞典查尔姆斯理工大学的研究团队把这个时间压缩到了三天。

把物理方程式"写进"神经网络

这个团队的突破口，在于改变了神经网络和物理定律之间的关系。

传统做法是让神经网络从海量模拟数据中自己"摸索"出物理规律，类似于让一个从未上过物理课的学生，通过反复观察实验结果倒推出麦克斯韦方程组。这条路不是不通，但代价是需要大量数据，而每一个数据点的生成都耗费巨大计算资源。

查尔姆斯团队的做法是，在训练开始之前，先把电磁学的基本定律直接嵌入神经网络的架构之中。光场如何传播，电场和磁场如何相互作用，这些人类物理学家已经掌握了几百年的知识，不需要神经网络自己去"发现"，直接告诉它就行。

物理学与天文学系教授菲利普·塔辛把这套系统称为"超级大脑"，并描述了一个有趣的现象："当我们把物理定律的信息输入超级大脑，它立刻变得更聪明了。我们的计算时间现在只有以前的十分之一。"

研究结果发表在《激光与光子学评论》期刊上，博士生维克托·利利亚介绍，训练完成后的网络，可以在毫秒内输出任意结构的光学特性预测，不仅速度快，准确性也更高，系统性的明显错误大幅减少。

这一改进将数据生成时间从约三十天压缩到约三天，整体研发效率提升约十倍。

这项技术指向哪里

查尔姆斯团队的研究领域是纳米光子学，一个专门研究如何在亚波长尺度上操控光的领域。

在这个尺度上，光的行为和宏观光学系统里完全不同，科学家可以设计出自然界中根本不存在的光学材料，让光按照人类想要的方式传播、折射甚至停下来。

这类人工光学材料的应用范围非常广泛。让相机镜头和眼镜镜片更轻、更薄、更高效，是其中最贴近日常消费品的方向。更具战略意义的是量子计算的互联问题。

查尔姆斯大学同一校区内正在建造瑞典第一台大型量子计算机，塔辛的团队正与微技术和纳米科学系的同事合作，探索能否通过设计特定纳米结构材料，利用光学频率在量子计算机之间传输信息。具体的技术方案涉及"机械柔性光子晶体"，一种可以在弯折状态下仍能稳定传导光信号的新型结构材料。

量子计算机之间的互联，是当前量子网络研究中公认的技术难点之一。现有的电互联方案在量子比特之间引入的噪声和损耗，会严重破坏量子态的相干性，而光互联理论上可以在更低损耗下完成信息传输。

快速设计和筛选合适的光学互联材料，正需要这类高效的模拟工具。

塔辛本人直言："我对电磁学的方程了如指掌，我也在教这些方程，但我仍然无法得出神经网络能够得出的所有结论。物理学太复杂了，光凭肉眼观察我无法理解材料的所有性质，但计算机可以。"

这句话的微妙之处在于：研究者并不是用AI取代了物理学，而是让AI先学会了物理学，再去做物理学家自己也难以穷尽的推演。

一个更大的趋势

查尔姆斯团队的工作，是近年来"物理信息神经网络"研究浪潮中的一个代表性成果。

将物理约束嵌入机器学习模型的思路，目前已被应用于流体力学模拟、材料科学逆向设计、气候建模等多个领域。斯坦福大学的研究团队曾发表论文，将物理增强深度神经网络用于纳米光子学仿真，得出的结论与查尔姆斯团队高度一致：内嵌物理约束既能提升预测精度，也能显著降低对训练数据量的需求。

这背后的逻辑其实并不难理解。一个知道光速是常数、电场遵循高斯定律的神经网络，不需要在数据中反复"撞见"这些规律再去记住它，可以把有限的学习资源用在真正需要从数据中挖掘的复杂关联上。

从三十天到三天，节省的不只是算力，更是产品迭代的速度。在量子技术、先进成像和下一代通信器件的竞争赛道上，这种加速的价值会随着时间被持续放大。