arXiv 于 2026 年 6 月 21 日发布了一篇题为《Low-power analogue neural networks with trainable nonlinear connections for continuous control》的预印本论文，编号 arXiv:2606.23742v1，归类于机器学习（cs.LG），并交叉列入人工智能（cs.AI）与硬件架构（cs.AR）。论文由 Ian T. Vidamour 领衔，共 15 位作者参与，提交人为 Eleni Vasilaki。作者在文中指出，物理神经网络的核心吸引力在于直接利用模拟器件的物理特性完成计算，从而有望实现极低功耗的机器学习；然而现有的大多数架构都将器件的非线性响应当作标量权重来使用，未能充分挖掘这些响应的计算潜力。
为突破这一限制，研究团队借鉴 Kolmogorov-Arnold 网络的思想，把可训练的非线性函数放置在连接之上，使每一条物理连接本身都成为一个可学习的计算单元，而不再只是简单的加权通道。在实现层面，他们将这些函数具体化为现场可编程模拟阵列上的模拟带通滤波器，从而在硬件中直接体现非线性变换。
实验结果显示，这种做法的收益高度依赖任务类型，并且与物理基函数的平滑程度密切相关。对于平滑且连续取值的任务目标，例如机器人运动学建模、连续控制以及光伏最大功率点跟踪，该网络所需的节点数和连接数远少于多层感知机（MLP），表现出明显的参数效率优势；但在类似分类的决策边界任务上，它并不比传统结构更节省参数。这一对比说明，将非线性放在连接上并非普遍适用的增益，其价值取决于目标函数是否与物理基函数的光滑性相匹配。
在硬件验证方面，作者报告训练后的网络可以迁移到约 35,000 个连接的物理硬件上，并给出了量化的保真度评估；同时，一个专用 CMOS 实现经测算功耗约为 30 微瓦。此外，基于忆阻器的实现也在仿真中复现了相同的行为，这表明性能优势源自把可训练非线性置于连接之上的架构设计，而非某一种特定器件的属性。
论文同时附有审慎的说明：这仍是预印本，所有仿真的进一步验证工作仍在进行中，任何由此产生的更正都将纳入修订版本。该文以 13,966 KB 的体量于 2026 年 6 月 21 日 15:55:23 UTC 提交至 arXiv，读者可通过 PDF、实验性 HTML 及 TeX 源码等方式获取全文。