隨著人工智能技術的發展和在諸多領域的廣泛應用，其背后的物理原理和客觀規律引起了學者們的高度關注，并開始探索“AI + Physics”領域（Muther 等 2023；Mehta 等 2019）。當前研究的目標是: (1) 利用物理科學和人工智能的發展來研究大腦學習的原理; (2) 利用人工智能促進物理學的進步; (3) 應用物理科學來指導新型人工智能范式的發展。我們回顧了經典的人工智能與物理學科交叉領域的相關研究。這包括以物理見解為驅動力的人工智能概念和算法的發展、人工智能算法在物理學多個領域的應用以及這兩個領域的交叉研究（Zdeborová 2020；Meng 等 2022）。
本文闡述了經典的由物理相關學科（經典力學、電磁學、統計物理學、量子力學）所啟發的AI深度算法（如圖1所示），同時介紹了AI算法解決物理問題的相關研究，在此基礎上全面概述了物理學背景下人工智能深度算法的發展和挑戰。
電磁學啟發的深度神經網絡范式
電磁學的理論奠定了光學的基礎，光是電磁波的一種形式，具有電場和磁場的振蕩。光神經網絡（ONNs）的核心思想是通過調制光的相位、幅度等光學特性來模擬神經網絡的信息處理過程。此外，ONNs 利用光的傳播特性，如干涉、色散、傳輸和反射等，實現神經網絡的核心運算。傳統神經網絡的主要運算包括線性運算、非線性激活運算和卷積運算，其在光學系統中的實現方法如表2所示。
