据量子位报道，8月12日，搜狐创始人、董事局主席兼首席执行官、物理学博士张朝阳在《张朝阳的物理课》“基础科学大会系列对谈”中，与宾夕法尼亚大学物理教授及软物质与生命物质研究中心主任刘若微（Andrea J. Liu）展开对话。两人以“复杂的世界：从沙子到智能”为主题，从日常可见的沙堆、泡沫切入，探讨软物质与非平衡统计物理的前沿领域，并延伸至低功耗类脑智能材料的研究路径。

刘若微是非平衡统计物理领域的学者，因在阻塞相变与无序固体领域的贡献，与合作者获得2025年美国物理学会Leo P. Kadanoff奖，并于今年荣获国际基础科学大会的玛丽·居里物理学奖章。她用剃须泡沫举例说明软物质的特性：泡沫喷出后可保持形状，表现为固体，但成分中95%是气体。她介绍，描述这类系统可用简单的软球模型——球在重叠时产生排斥，不重叠时无相互作用。

在对话中，刘若微解释了阻塞相变的概念。当无序球体密度提高至临界体积分数（三维下约64%）时，系统会从流体变为具有剪切模量的固体。这一相变是连续的，剪切模量随密度增加按幂律上升，临界指数约0.328，与伊辛模型相同，体现出普适性。她指出，阻塞相变与标准临界点不同，至少有两个发散的长度尺度，并可通过复制对称破缺理论理解。张朝阳询问她的工作贡献，刘若微表示，他们识别出阻塞相变的一系列性质并建立了标度理论，虽然尚未应用重整化群，但该理论为理解沙子、泡沫等不同体系提供了统一视角。

张朝阳提到，这一研究方向可能与AI发展相关，且耗能极低。刘若微介绍，可将阻塞球模型映射为弹簧网络：在球心放节点，重叠球间连弹簧。通过调整弹簧参数，可以训练机械网络实现指定的输入-输出关系，例如在一点施加形变而在另一点产生指定应变，即变构调控。她表示，这一过程类似训练神经网络，使用梯度下降方法，但物理系统还需满足机械平衡这一额外约束。更关键的是，他们希望摆脱对全局信息的依赖，构造仅基于局部信息的更新规则。这种规则不要求知道网络所有节点和弹簧的状态，但总体效果接近梯度下降。张朝阳认为，这种方式更像人脑，大脑无需计算全部神经元的全局状态，就能以很低能耗进行有方向的学习。