清华团队最新研究成果登上Nature杂志，揭示了物理神经网络的全前向模式训练方法，彻底改变了传统依赖反向传播的训练流程。这一创新方法在物理光学系统中直接执行训练过程，大幅减少了对数学模型的依赖，节省了时间和能耗。

传统方法需先对物理系统进行详尽建模，再在计算机上模拟模型进行训练。而全前向模式（FFM）跳过了建模阶段，直接利用实验数据进行学习和优化。这种方法不再需要从后向前检查每一层（反向传播），而是直接从前向后更新网络参数，简化了训练流程，如同拼图游戏，无需回溯，只需根据规则填充缺失部分。

FFM的优势在于减少了对精确数学模型的依赖，避免了模型不准确带来的问题，同时节省了时间与能耗。这种方法允许光学系统直接从实验数据中学习，无需繁琐的反向传播过程，从而提高了训练效率和性能。

该研究由清华大学的薛智威、周天贶共同执笔，方璐教授及戴琼海院士担任通讯作者，参与研究的还包括电子系徐智昊和之江实验室虞绍良。论文阐述了FFM原理，即通过光学系统映射为参数化的现场神经网络，利用测量输出光场计算梯度，再运用梯度下降算法更新参数。

实验结果显示，FFM在自由空间光学神经网络（ONN）上实现了有效的自训练过程，与理想模型相比，准确率相当。使用FFM学习的ONN在单层和多层结构中均表现出色，特别是在复杂的散射环境中，FFM展现了高质量的成像能力，接近物理极限的分辨率。此外，FFM还能并行成像视线之外的物体，实现非视距场景下的动态目标快速成像。

FFM方法不仅适用于自由空间光学系统，还能扩展到集成光子系统的自我设计，通过编程矩阵值，实现对非厄米特系统的自动搜索异常点，无需物理模型即可实现对特异点的遍历。

综上所述，全前向模式的训练方法为物理神经网络提供了一种高效、并行的训练方式，显著提高了训练效率和性能，有望在多个领域推动人工智能技术的发展。