연구진이 교란을 통해 물리 시스템의 반응을 대비하는 새로운 학습 프레임워크 PCPL을 소개했어요. PCPL은 입력, 경계 조건, 파라미터, 해석 함수 등의 변화를 통해 생성된 물리 상태 간의 대비를 측정하여 학습을 가능하게 해요. 이 프레임워크는 기존 접근 방식들을 통합하고 확장하며, 중앙 집중식 그래디언트 계산 없이도 시스템 자체의 물리적 반응으로부터 학습 형상이 나타나도록 해요.
연구진은 스프링 네트워크와 연속 변수 광학 회로 두 가지 플랫폼에서 PCPL을 시연했는데, 두 플랫폼 모두 분류 작업을 성공적으로 학습했어요. 특히 광학 회로를 통해 아날로그 곱셈을 구현하는 데 성공하며, 더욱 자율적인 물리 학습 시스템으로 나아가는 발걸음을 보여줬어요.
PCPL은 에너지 기반 시스템의 자유 평형과 미세 조정된 평형 간의 대비를 기반으로 하는 평형 전파와, 사인파 구동, 주파수 변조된 응답에서 추출한 대비에 해당하는 주파수 전파를 포괄해요.