利用精细仿真，美国国家标准与技术研究院（NIST）及其合作团队首次证明一类受大脑启发的电子神经网络——超导神经网络——可在初始训练后完全自主地学习新任务，其学习速度比现有神经网络快100倍。
神经网络通过模拟人脑神经元协同工作的方式进行决策：通过调节神经元之间的信息流动，人脑能够识别新现象、掌握新技能，并在决策时权衡不同选项。
NIST科学家聚焦于超导神经网络，这类网络在极低温（仅比绝对零度高 4 度）下运行，电流无阻力、能耗远低于包括人脑在内的其他系统，因而能以极高速度传输信息。
在新设计中，NIST科学家Michael Schneider及其同事找到了一种操控超导神经网络基本单元的方法，使其能够执行一种称为“强化学习”的自主学习方式——神经网络正是通过强化学习来掌握新任务，例如学习一门新语言。
任何神经网络的核心都在于如何为其电路中的路径分配“权重”或偏好，类似于人脑对不同神经通路赋予不同权重。网络通过“胡萝卜加大棒”的机制调整权重：增强产生正确答案的路径权重，削弱导致错误答案的路径权重。而在 NIST 系统中，构成电路的硬件本身即可决定这些权重变化的大小与方向，无需外部控制或额外计算，就能自主学习新任务。
相关研究成果已于2025年3月4日在线发表于《Unconventional Computing》期刊（DOI：10.1038/s44335-025-00021-9）。
NIST的设计带来两大优势：
第一，网络可在新数据到来时持续学习，而无需每次都从头重新训练整个网络。
第二，设计能自动调整网络中各路径的权重，以容忍制造过程中硬件尺寸和电学特性的微小差异；这种灵活性在常规神经网络训练中是难以实现的，后者通常需要对权重值进行极其精确的编程。
Schneider指出，该设计还有望显著加快网络训练速度，并比基于半导体或软件的训练方案消耗更少能量。仿真已验证硬件方案可行，团队下一步将着手构建小规模的自学习超导神经网络原型。
