Dillavou通话材料v3: 机制段按RESULT 77-79改判(读出地板+零成本修复+小尺寸EP胜BP), Q2改为板上对比读出/physical epsilon, cheat sheet加破案更新节

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_014FAPDWQ49M5Ye3NpTndTpn

1 files changed, 63 insertions, 0 deletions

diff --git a/docs/hardware/DILLAVOU_CRASH_BRIEF_CN.md b/docs/hardware/DILLAVOU_CRASH_BRIEF_CN.md
new file mode 100644
index 0000000..20c4103
--- /dev/null
+++ b/docs/hardware/DILLAVOU_CRASH_BRIEF_CN.md
@@ -0,0 +1,63 @@
+# Dillavou 速成简报（内部，通话前读，~15 分钟）
+
+## 他是谁（30 秒版）
+Harvard 物理 PhD（导师 Shmuel Rubinstein，做摩擦与无序材料记忆——**不是 ML 出身，是实验凝聚态物理学家**）→ UPenn 博后（Douglas Durian + Andrea Liu 组，物理学习实验线的动手人，每代板子都是他搭的）→ 2025-05 起离开 Penn：ARIA（英国 DARPA 仿制品）R&D Creator，self-employed 做 "Learning Metamaterials"——pre-spinout 配置（个人持 IP，创业为默认出口），详见 cheat sheet 追加节。
+
+## 平台名词（他们的自称，用对了显得懂）
+**CLLN = Contrastive Local Learning Network**。两个完全相同的网络副本（free / clamped 两种边界条件），每条边一个本地学习单元，比较两副本响应、自主更新权重。无处理器、无外部存储、无时钟同步要求。"twin networks" 就指这两副本。
+
+## 四篇必懂
+### 1. PRApplied 2022 — "Demonstration of Decentralized Physics-Driven Learning"
+Dillavou, Stern, Liu, Durian。第一代板子：**线性**可变电阻网络，16 边。
+- 权重 = 数字电位器档位；每边**比较器 + XOR 取对比信号的符号，±固定步长更新（sign-only）**。
+- 任务：allostery、线性回归、Iris 三分类（~95%）。损伤鲁棒（剪边继续学）。
+- 名言（他常引）："a laboratory network of only 500 edges will already outpace its in silico counterpart"。
+- 局限：线性网络只能学线性任务；数字电位器还不是真模拟存储。
+- 理论蓝本 = Stern et al. 2021 PRX 的 coupled learning（钳位式对比学习）。
+
+### 2. PNAS 2024 — "Machine learning without a processor" ⭐我们邮件里 "your processor-free network" 指的就是它
+Dillavou et al.。第二代：**晶体管非线性边，权重 = 电容上的电荷**（真模拟存储，连续时间自主更新）。
+- 学会 XOR、非线性回归（线性系统学不了的任务），无任何数字处理器。
+- 数字：**重训秒级，执行微秒级，每晶体管皮焦级耗散**，损伤鲁棒。
+- 发现类似 NN spectral bias 的误差模式排序：先均值、再斜率、再曲率。
+- 我们板子的四要素（twin 副本 / 共享权重电容 / 本地对比更新 / 无钟）全部承自这里。
+
+### 3. arXiv 2505.22887 (2025) — "Understanding and Embracing Imperfection in Physical Learning Networks" ⭐邮件里点名的 imperfection 论文
+Dillavou, Guzman, Liu, Durian。
+- 发现：元件/测量不完美 → **极限环、精度退化、旧任务遗忘**，理想系统里都不存在。
+- 机制（解析模型）：**"不受控的学习偏差持续改写内部表征"**，类比生物脑 representational drift。
+- 解法：system-agnostic 训练法缓解，哲学是"拥抱不完美"而不是配数字孪生去校正。
+- **明天最大的共同语言**：我们 C768 泄漏 = 同一类病（一致性估计器偏差长程累积）；我们的 bias-vs-nudge 曲线就是这类病的定量仪器；"the rule co-adapts to the device"（cos 0.97 追踪带故障网络）与他的哲学完全同频。
+
+### 4. arXiv 2606.15443 (2026-06-13) — "Coercivity and Local Convergence of Physical Learning in Linear Circuits"
+**McGinnis, Xinbo Li, Mori——你邮件里写的 "McGinnis, Li and Mori" 作者没记错**（Li = Xinbo Li）。
+- 内容：线性电路、小 nudge 极限下，EP / CL / AL（他们新提的 Adjoint Coupled Learning）的**首个局部收敛分析**。
+- 核心区分（= 你邮件说的 "recently formalized" 的那个）：**EP 和 AL 在自然损失上做精确梯度下降；CL 的动力学多一个三次修正项**——"力 vs 约束"的数学化版本。
+- coercivity 秩条件（由网络关联结构决定）⟹ 损失指数衰减；反例 = kite 电路（对称性使 coercivity 常数在解流形上退化），但 Sard 定理证明这种退化非泛型。
+- 同日姊妹篇 2606.15444（Kline 替 Li）：EP 与 CL 在连续时间小 nudge 极限**守恒一个质量型量**，约束训练动力学。
+- 注意：这是 **Penn 数学系的组（Yoichiro Mori）**，不是 Dillavou 组，但他必然熟。给了"同板对比 EP nudge vs CL clamp"一个可检验的理论预言：两者应差在三次阶。
+
+## 他最近在忙什么（寒暄与收尾弹药）
+- **2511.17825 (2025-11，他一作)**："Analog Physical Systems Can Exhibit Double Descent"——标准训练出不了 double descent，**为元件非理想性修改过的训练协议才出**。他的现行主线 = 从"演示能学"转向**不完美物理系统的训练科学**，和我们 call sheet 议程完美对齐。
+- 2509.15842：Restricted Kirchhoff Machine（Guzman/Ciarella/Liu）——CLLN 做无监督 RBM 类比，二值化 MNIST 仿真 + 时间/功耗/能耗 scaling 对比 CPU/GPU。
+- 2512.03799：物理网络的任务记忆/遗忘（"Remembrance of Tasks Past"）。
+
+## 邮件逐句底细对照（你写过什么 → 事实 → 他追问怎么接）
+| 你邮件里的话 | 背后事实 | 追问时接法 |
+|---|---|---|
+| "two continuously-running replicas, shared weight capacitors" | PNAS 2024 架构：两副本同一条边共用一个存权重的电容，更新电流由本地对比驱动 | 我们保留这个拓扑，departure 只在 nudge 注入和对比通道 |
+| "OTA current nudge alongside the voltage clamp" | 他的板子输出用电压钳（CL 式）；我们加跨导放大器把损失导数作为电流注入（EP 式力） | McGinnis-Li-Mori 预言两者差在三次阶——同板对比可以直接验这个预言 |
+| "difference-of-squares contrast channel vs sign-only cells" | 他 2022 板就是 sign-only（比较器+XOR）；exact 通道 = 模拟乘法算平方差型对比量 | 我们 bsign（随机极性）在 72M/135M 的稳定性给 sign 家族背书，第三臂 |
+| "bias-versus-nudge curve ... additive precision floor" | 我们 sim：振幅扫 20× cos 不变（乘性主导），下限由加性读出噪声定；他 2505.22887 是同类病的电路侧记录 | 问他 bench 上怎么分离加性/乘性（call sheet Q3） |
+
+## 万一他往深处问
+- **kite 反例**：菱形+对角的对称小电路，对称性让收敛常数在解上退化——记住"非泛型，几乎所有目标输出下 coercivity 成立"即可。
+- **spectral bias 排序**：他 PNAS 板子先学均值再斜率再曲率——如果他提，接"我们 LM 侧也看到低频先收敛的对应物"。
+- **异步性**：他们 2022 还有篇 Desynchronous Learning（arXiv 2201.04626）——异步更新不坏收敛，clockless 的实验支撑。
+- 不懂就直说"这块我还没读透，会后补"。他是实验物理学家，**诚实比装懂值钱**。
+
+## 人设校准（最重要的一条）
+他不是 ML 理论家，是**搭板子的实验物理学家**。聊具体的观测量、测量协议、元件行为最对味；聊 transformer 内部机制他可能反过来问你基础问题——这是好事，主导权在你。他的哲学一以贯之：**别和物理对抗，让学习规则吸收物理**。我们整条线（co-adaptation、bsign、拥抱大 nudge）都顺着这个哲学讲。
+
+## 来源
+- arXiv:2108.00275 (PRApplied 2022) · arXiv:2311.00537 (PNAS 2024) · arXiv:2505.22887 (imperfection) · arXiv:2606.15443 + 2606.15444 (McGinnis 组两篇) · arXiv:2511.17825 (double descent) · arXiv:2509.15842 (Kirchhoff machine) · aps.org 个人页（博后身份，已过时）