随着人工智能技术的发展和在诸多领域的广泛应用，其背后的物理原理和客观规律引起了学者们的高度关注，并开始探索“AI + Physics”领域（Muther 等 2023；Mehta 等 2019）。当前研究的目标是: (1) 利用物理科学和人工智能的发展来研究大脑学习的原理; (2) 利用人工智能促进物理学的进步; (3) 应用物理科学来指导新型人工智能范式的发展。我们回顾了经典的人工智能与物理学科交叉领域的相关研究。这包括以物理见解为驱动力的人工智能概念和算法的发展、人工智能算法在物理学多个领域的应用以及这两个领域的交叉研究（Zdeborová 2020；Meng 等 2022）。
本文阐述了经典的由物理相关学科（经典力学、电磁学、统计物理学、量子力学）所启发的AI深度算法（如图1所示），同时介绍了AI算法解决物理问题的相关研究，在此基础上全面概述了物理学背景下人工智能深度算法的发展和挑战。
电磁学启发的深度神经网络范式
电磁学的理论奠定了光学的基础，光是电磁波的一种形式，具有电场和磁场的振荡。光神经网络（ONNs）的核心思想是通过调制光的相位、幅度等光学特性来模拟神经网络的信息处理过程。此外，ONNs 利用光的传播特性，如干涉、色散、传输和反射等，实现神经网络的核心运算。传统神经网络的主要运算包括线性运算、非线性激活运算和卷积运算，其在光学系统中的实现方法如表2所示。
