随着人工智能模型规模的指数级增长，模型压缩技术成为资源受限设备部署的关键。在涉及电磁场、声场、量子态等物理场建模的任务中，复数神经网络因其能统一描述物理场的幅度与相位信息而备受青睐。然而，传统量化方法将复数神经网络的实部与虚部作为独立通道进行处理，导致量化误差在相位敏感的计算中传播放大，严重损害了物理场的重构精度与物理一致性。

近日，清华大学深圳国际研究生院副教授耿子涵团队与合作者提出了一种实虚部联合量化的复数神经网络压缩框架，通过物理场感知的自适应精度训练，有效解决了传统量化方法破坏复数代数结构、导致相位信息失真的难题。该方法在计算机生成全息、音频分类、无线信号识别及合成孔径雷达目标识别等多项物理场计算任务中，在保证网络性能的前提下，节省了80%至99.8%的模型存储占用和计算量。 

图1 用于超高效物理场计算的复数神经网络量化示意图

该方法在量化过程中保留了相位关系，并显式建模了复数乘法的误差传播，通过保持实部与虚部的代数耦合，确保了量化后的网络在幅度与相位上的保真度（图1）。

图2 团队所提出的量化方法在（a）音频分类、（b）无线信号识别、（c）雷达信号目标识别等任务中的应用

为验证方法的普适性，团队将所提量化框架应用于音频分类、无线信号调制识别及合成孔径雷达目标识别多个典型的复数信号处理任务（图2）。在音频分类任务中，量化后的复数网络准确率达98.93%，与全精度模型相近，同时，计算量与内存占用均降低了80%以上。在无线信号与雷达信号识别中，该方法同样在实现大幅压缩的同时，保持了优于传统实数网络的识别精度。这些结果表明该量化框架作为复数物理场计算解决方案的有效性。

图3 超高效复数神经网络在全息显示应用的重建结果对比

在全息计算任务上，相比领域内领先模型HoloNet，团队所提出方法在峰值信噪比上提升了3.9 dB，计算量与内存消耗分别降低了99.1%和99.8%，在手机部署上实现了高达389倍的推理加速。进一步的光学实验显示，该方法在实际物理场测试中的优越性能（图3）。

研究成果以“通过复数神经网络量化实现超高效物理场计算”（Ultra-efficient physical field computing by complex-valued network quantization）为题发表于国际顶级期刊《自然·通讯》（Nature Communications）。

耿子涵、清华大学深圳国际研究生院2025届互动媒体设计与技术专业硕士毕业生李智霖、2022级数据科学和信息技术专业博士生周密为共同第一作者。耿子涵、哈尔滨工业大学副教授江奎、香港城市大学助理教授陈沐谷、韩国浦项科技大学教授卢俊锡（Junsuk Rho）为共同通讯作者。研究工作获得了国家自然科学基金、广东省基础与应用基础研究基金、深圳市基础研究重点项目的支持。

论文链接：https://www.nature.com/articles/s41467-026-70319-0 

文：耿子涵

图：周密

编辑：吴鸿瑶

审核：林洲璐、叶思佳