Ультраэффективные физические вычисления полей через квантизацию комплекснозначных сетей

Почему уменьшение умных моделей важно

Многие невидимые вокруг нас технологии — беспроводные сети, медицинские сканеры и голографические дисплеи — зависят от волн. Точное моделирование и управление этими волнами критически важно, но выполнение таких задач современными инструментами искусственного интеллекта может быть чрезвычайно медленным и энергоемким. В этой работе показано, как существенно сократить и ускорить специальный класс ИИ‑моделей, работающих непосредственно с волновой информацией, не теряя при этом тонких деталей, необходимых для резких изображений и надежных сигналов.

Волны, числа и скрытая структура

Свет, звук и радиоволны несут две величины: амплитуду и фазу (как пики выстроены во времени и пространстве). Математики объединяют эти параметры в «комплексные числа», которые естественным образом описывают такие явления, как интерференция и колебания. Комплекснозначные нейронные сети работают напрямую с этими парными величинами, что делает их мощными инструментами для задач от генерации голограмм до радарного и акустического анализа. Но есть загвоздка: запуск таких моделей в полном числовом формате обходится дорого в памяти, вычислениях и энергии, что ограничивает их применение в портативных устройствах и системах реального времени.

Почему стандартные приемы разрушают волновую информацию

Популярный способ уменьшить размер ИИ‑моделей — квантизация, при которой веса и активации хранятся в нескольких битах вместо чисел с полной точностью. Для обычных, вещественных сетей это работает очень хорошо. Однако большинство существующих методов рассматривают вещественную и мнимую части комплексных чисел как независимые каналы. Это игнорирует тесную связь между амплитудой и фазой в волновых системах. В результате ошибки округления в каждой части перестают компенсировать друг друга, нарушая тонкие фазовые соотношения, которые определяют, как волны суммируются или гасятся. На практике это может вносить нефизический шум, размывать голографические изображения и ухудшать работу систем вроде синтетической апертурной радарной обработки.

Более разумный способ округления комплексных волн

Авторы предлагают новую стратегию, которая сохраняет «взаимную осведомленность» двух составляющих каждого комплексного числа при сжатии. Их метод совместно квантует вещественную и мнимую компоненты так, чтобы ошибки округления были организованы таким образом, чтобы сохранять как величину, так и направление комбинированного комплексного значения. Они также вводят адаптивную схему, которая решает, сколько бит требуется для каждого слоя. Слои, непосредственно работающие с физическими волновыми полями, сохраняют большую точность, тогда как более глубокие слои, оперирующие абстрактными признаками, могут безопасно использовать меньше бит. Процедура обучения в два этапа сначала находит оптимальный паттерн разрядности по сети, а затем дообучает модель с этими настройками, чтобы восстановить точность.

Более резкие голограммы при доле затрат

Чтобы проверить идею, команда построила сеть с ультранизкой разрядностью для компьютерной голографии — крайне чувствительного приложения, где небольшие числовые ошибки вызывают зернистость и артефакты. Их дизайн включает генератор фазы, модуль преобразования комплексных волновых полей в фазо‑только голограммы и компенсатор, уменьшающий кольцевые артефакты от несовершенных оптических моделей. Обучение с функцией потерь, оценивающей распространенное световое поле, а не только пиксельные различия, прямо наказывает ошибки, значимые в реальной оптической установке. По сравнению с ведущей голографической сетью HoloNet новая модель даёт реконструкции лучшего качества — примерно на 4 дБ выше по стандартной метрике качества изображения — при сокращении вычислений примерно на 99% и использовании памяти почти на три порядка. Оптические эксперименты с двух- и трёхмерными голограммами подтверждают, что сжатая модель по‑прежнему выдаёт чистые, с уменьшенной зернистостью изображения в лаборатории.

За пределами голограмм: аудио, беспроводная связь и радар

Преимущества не ограничиваются оптикой. Авторы протестировали свои квантизованные комплекснозначные сети на трёх других волновых задачах: распознавание говорящих по аудиосигналам, классификация режимов модуляции в беспроводной связи и обнаружение целей в данных синтетического апертурного радара. В каждом случае квантизованная комплексная модель достигает точности, близкой к полноточным эталонам или превосходит их, при сокращении количества битовых операций и требований к памяти примерно на 80–90%. На настольных процессорах и на Android‑смартфоне подход даёт значительный прирост скорости по сравнению с ранними голографическими сетями, показывая, что сложные волновые ИИ‑модели могут эффективно работать на периферии, а не только в мощных дата‑центрах.

Что это значит для будущих волновых технологий

Уважая особую структуру комплексных чисел вместо раздельной обработки их частей, эта работа предлагает практический рецепт для создания лёгких и эффективных ИИ‑инструментов, которые сохраняют физику волн. Предложенная схема квантизации позволяет комплекснозначным сетям удерживать тонкую фазовую информацию, лежащую в основе резких голограмм, чистого звука, надёжных беспроводных связей и точных радарных изображений, одновременно резко сокращая вычислительные ресурсы. В результате высокоточные вычисления физических полей становятся более совместимыми с мобильными устройствами и встроенными системами, открывая путь к портативным голографическим дисплеям, более умным сенсорам и энергоэффективным научным приборам, основанным на волнах.

Цитирование: Geng, Z., Li, Z., Zhou, M. et al. Ultra-efficient physical field computing by complex-valued network quantization. Nat Commun 17, 3762 (2026). https://doi.org/10.1038/s41467-026-70319-0

Ключевые слова: комплекснозначные нейронные сети, квантизация моделей, компьютерная голография, волновая обработка сигналов, edge AI