瑞典皇家科学院决定将 2024 年NobelPrize物理学奖授予约翰·约瑟夫·霍普菲尔德（ John Joseph Hopfield ） 和杰弗里·辛顿（Geoffrey Everest Hinton），以表彰他们“为利用人工神经网络进行机器学习做出的基础性发现和发明”。AI用于电磁领域已有较为深入的研究。比如人工神经网络用于直接设计高性能阵列结构。
-
人工神经网络应用于天线阵列 -
AI在物理中的应用 -
参考文献
As shown below👇
人工神经网络应用于天线阵列
随着人工智能技术的兴起，人工神经网络（ANNs）也被应用于天线阵列的综合和优化。因为ANNs能够准确快速地映射几何变量和电磁（EM）响应之间的非线性关系。这种特性有效地减轻了与全波EM模拟相关的计算负担，适用于直接设计高性能天线结构，例如优化微带贴片天线，圆形天线和双T单极天线。此外，ANN也适用于大规模离散天线阵列、超表面反射阵列和发射阵列的综合优化设计。
但是目前利用ANN来协助设计高性能天线或天线阵列通常需要大量的时间成本，并且需要大量的训练数据集。因此，天线的尺寸被限制在特定的天线单元内，阵列的规模通常并不广泛。
AI在物理中的应用
人工神经网络是一种模拟人脑神经元网络结构的计算模型，由大量的处理单元（神经元）相互连接而成。这些神经元通过权重和偏置进行信息传递和处理，具有强大的学习和泛化能力。人工神经网络可以通过训练来学习输入和输出之间的映射关系，从而实现对未知输入的预测和分类。
人工智能才起步的时候，是为了模拟人脑的想法。人工神经网络起源于对神经系统的模拟，最早的形式是感知机，学习方法是神经学习理论中著名的 Hebb's rule 。不过 Hebb's rule 只能训练单层人工神经网络，而单层人工神经网络甚至连简单的“异或”逻辑都不能学会，而多层神经网络的训练仍然看不到希望。
Hinton 意识到，人工神经网络不必非要按照生物的路子走。
在上世纪80年代， Hinton 和 LeCun 奠定和推广了可以用来训练多层神经网络的反向传播算法(back-propagation)。然而，反向传播算法需要SGD等方式进行优化，这是个高度非凸的问题，其数学性质是堪忧的，而且依赖精细调参。
Hinton转而开始向热力学统计模型等方向探索，为神经网络找到新方向做出了推进工作。
随着AI技术的普及和进一步的发展，发现不同的模型有各自适用的场景与价值。深度学习模型在越来越多的实际应用中展现其强大的预测和决策能力。
瑞典皇家科学院于2024年10月8日宣布，将2024年诺贝尔物理学奖授予John J. Hopfield和Geoffrey E. Hinton，以表彰他们利用人工神经网络实现机器学习的奠基性发现和发明。
诺奖委员会的这一公布，无疑是对用AI探索物理这一领域的工作得到了权威的肯定。也激励了更多的人对这一方向的兴趣。
[1] Y. Luo, S. Duan, Z. Ning Chen, N. Yan, W. An, and K. Ma, “An Artificial-Neural-Network-Based Efficient Beamforming Synthesis Method and Its Application to Flat-Top Beamformed Compressed High-Order-Mode Dipoles,” IEEE Transactions on Antennas and Propagation, vol. 72, no. 10, pp. 7606–7614, Oct. 2024, doi: 10.1109/TAP.2024.3450304.
[2] N. B. Onat, I. Roldan, F. Fioranelli, A. Yarovoy, and Y. Aslan, “Constrained Infinitesimal Dipole Modeling-Assisted Ensemble Prediction of Embedded Element Patterns via Machine Learning,” IEEE Transactions on Antennas and Propagation, vol. 72, no. 9, pp. 7353–7358, Sep. 2024, doi: 10.1109/TAP.2024.3433515.
