AI 助力科学家攻克物理学计算难题，大大加速材料科学研究

本站 9 月 16 日消息，周一，洛斯阿拉莫斯国家实验室与新墨西哥大学的科研人员联合公布了一款人工智能（AI）框架，该框架可助力解决物理学领域一项极具挑战性的计算难题。

这款名为“高维物体表示张量”（THOR）的 AI 框架，采用张量网络方法计算“位形积分（configurational integral）”—— 这一核心方程描述了材料内部粒子的相互作用机制。

THOR 人工智能以史无前例的速度加速了该方程的计算过程，为超级计算机节省了数周的运算时间。得益于此，科研人员能够更精准地预测金属与晶体在极端条件下的行为特征。

THOR 人工智能的工作原理

据本站了解，对位形积分的求解一直是困扰物理学家的难题，但该积分却是预测材料性能的关键，包括材料的强度、稳定性，以及在极端条件下的变化能力。

THOR 人工智能通过张量网络数学方法解决了这一难题，将超级计算机原本需要数周的运算时间缩短至秒级，成功将曾经被认为“无法完成”的计算转化为高效、精准的流程。

该项目负责人、洛斯阿拉莫斯国家实验室资深 AI 科学家博扬・亚历山德罗夫表示：“位形积分用于捕捉粒子间的相互作用，其求解难度大、耗时长是公认的问题，尤其在涉及极端压力或相变的材料科学应用场景中，这一问题更为突出。”

他进一步补充道：“精准确定材料的热力学行为，不仅能深化我们对统计力学的科学认知，还能为冶金学等关键领域提供重要参考。”

此项突破的重要意义

该科研团队将原本需要超级计算机模拟数周的计算任务，转化为可在数小时内完成的计算，为科研人员提供了一种强大的新工具，助力其深入研究冶金学、相变现象以及高压条件下的材料特性，而这些领域对航空航天工程、清洁能源等众多产业均具有重要意义。

可以这样类比：物理学家对位形积分的求解，相当于要计算数十亿块乐高积木所有可能的拼接方式，其复杂程度可想而知。

这一问题的难度之高，即便借助超级计算机也难以高效求解。而该问题的突破，对冶金学、高压物理学及相变研究领域而言至关重要。

THOR 人工智能通过将庞大的数据立方体拆解为更小的关联组件，成功克服了“维度灾难”（高维数据处理难题），这一过程类似将杂乱的乐高积木重新整理成规整的链条。

当与定制化插值算法结合使用时，这种“张量列车”技术能以更快的速度解决原本难以处理的问题。关键在于，其在将运算速度提升至分子动力学模拟的 400 倍的同时，仍保持了计算结果的精准度。

真实场景测试结果

科研人员在铜、氩、锡等多种高难度测试场景中对 THOR 人工智能进行了验证：

在铜的测试中，该框架精准复现了高密度条件下铜的内能与压力数据；

在氩的测试中，其计算结果与千兆帕压力下基于机器学习的分子动力学模拟结果完全吻合；

在锡的测试中，THOR 人工智能以极高的精度捕捉到了锡的固 - 固相变过程，生成完整的相图仅需 5.8 核时（core hours），而传统方法完成相同任务通常需要 2560 核时。

未来应用前景

这项研究的影响可能远超理论层面。更快、更精准的建模技术有望加速新型合金的研发进程，推动清洁能源技术的发展，并助力提升航空航天材料与电子材料的性能。

若 THOR 人工智能不仅能加快材料研发的速度，还有可能重塑科研人员在各学科领域解决高维问题的方式。

目前，这项突破性研究成果已发表于美国物理学会（APS）旗下期刊。