第205次-- 科学与技术前沿论坛

主题报告

张量重正化群及其与人工智能的融合
向涛中国科学院院士中国科学院物理研究所

张量重正化群是为研究高温超导等强关联物理问题发展起来的一种量子多体计算方法，这种方法融合重正化群思想与波函数的张量网络表示，在关联量子物理和材料的研究中发挥了关键作用。对于短程关联量子系统，波函数可严格表示成张量网络乘积形式，这一理论基础正是这种方法能取得成功的核心原因。然而，这种方法在刻画长程关联时存在局限性；而人工智能深度神经网络由于相邻层节点之间的全连通性，为克服这一局限性提供了新的技术路线。本报告将系统介绍近年来张量重正化群与人工智能的融合研究，特别是在 Hubbard 模型及量子磁性问题研究方面所取得的进展。
核物理研究与人工智能
马余刚中国科学院院士复旦大学

核物理作为探索物质微观结构和强相互作用规律的基础学科，不仅为理解原子核结构、核反应以及夸克-胶子等离子体物质状态等提供理论基础，也为能源、医疗和材料等领域的技术发展提供支撑。其研究范式依赖高精度实验、大规模理论计算以及数据统计分析。快速发展的人工智能技术已被广泛应用于核物理研究，不仅加速了高维模拟计算、实验数据处理和稀有事件识别，还推动了实验设计、装臵优化和理论建模的智能化。AI为核物理研究打开了新的思路，正在深刻改变核物理学科的发展模式。本报告首先回顾人工智能在核物理研究中的应用历史与发展过程，从早期基于简单神经网络的模式识别，到近年深度学习、生成模型和物理知识嵌入的大模型在模拟计算、实验数据处理、信号识别和稀有事件探测中的应用，系统梳理了 AI 技术如何逐步融入核物理研究。随后分析当前核物理研究面临的核心挑战，包括实验数据量的快速增长带来的存储与分析压力、高精度理论计算受限于计算资源、复杂大科学装臵的操作与优化难题。针对这些挑战，人工智能提供了多维度解决方案，例如：基于深度学习的信号与图像处理可实现高精度、实时的数据分析；生成模型和仿真工具可用于稀有事件重建与参数空间探索。最后，报告展望了未来核物理与人工智能深度融合的可能方向，包括推动实验智能化、提升计算效率、探索新型物理现象、构建跨学科智能研究平台、大科学装臵的自主优化与智能运行、物理知识图谱和符号推理方法辅助理论建模与实验设计。展现AI 在加速核物理学科发展与推动学科前沿研究中的潜力。
电子结构预测通用模型
向红军教授复旦大学

“大数据+人工智能”正在形成计算物质科学领域的新研究范式。本报告将重点介绍我们开发的用于加速第一性原理电子结构计算的机器学习模型，主要包括：(1) 机器学习势函数：我们开发了可以同时考虑自旋-晶格耦合和自旋-轨道耦合的磁性体系机器学习势函数；开发了可以精确考虑电场效应的介电材料机器学习势函数；（2）电子哈密顿量预测：我们开发了基于 E(3)等变图神经网络的 HamGNN 模型，该模型严格保持物理系统固有的对称性，能够精确拟合分子和固体的电子哈密顿矩阵，并在多种系统上展示出卓越的迁移性能和泛化能力；基于 Materials Project 中晶体结构的第一性原理计算数据，我们开发了第一个通用电子哈密顿量 AI 模型，该模型能够预测几乎整个周期表范围内的电子结构，包括复杂的多元素系统、固态电解质、莫尔扭曲异质结构和金属有机框架；通过将自旋轨道耦合(SOC)哈密顿量分解为自旋无关项和 SOC 修正项，实现了对多样复杂系统中自旋轨道耦合效应的精确建模；（3）电子密度矩阵预测：我们提出利用 AI 模型预测局域密度矩阵和能量密度矩阵，进而高效准确计算能量、偶极矩等物理性质的高效方法（已获专利授权）。这些 AI 方法已集成到我们自主开发的材料性质分析与模拟软件包PASP 中，并建立了全球首个基于 AI 的大型电子结构库和在线预测开放平台(https://sci-ai.cn)。
基于第一性原理的 AI 物理
徐勇教授清华大学

第一性原理方法已发展成为物理与材料科学的核心研究手段。基于第一性原理计算构建高质量的科学大数据，并以此训练神经网络模型，为AI 驱动的物理与材料发现提供了新的研究范式。然而，高昂的计算代价限制了大规模的第一性原理计算；同时，物性与微观原子结构之间的依赖关系极为复杂，单纯依靠“增加数据、扩大模型参数”的黑盒式研究，往往导致模型泛化能力不足、可解释性欠缺，难以真正解决科学问题。本报告将探讨如何解决 AI 驱动的物理与材料研究面临的关键科学问题：在底层，将第一性原理与 AI 相结合，提升算法效率并高效生成高质量数据；在顶层，实现 AI 与物理的深度融合，协同驱动物理规律的揭示与新材料的发现。
量子计算与量子人工智能前沿进展
邓东灵副教授清华大学

近年来，量子计算与量子人工智能的发展引起了极大的关注。在本次报告中，我将介绍一些关于量子纠错与量子模拟的最新进展。特别地，我会讨论我们最近在超导量子处理器“昆仑”上实现的两种低开销量子低密度奇偶校验（qLDPC）码的实验结果：一种是距离为 4 的双变量自行车码（bivariate bicycle code），另一种是距离为 3 的 qLDPC 码。接着，我将介绍量子模拟方面的进展：首次在百比特超导量子芯片上实现了在非无序量子体系中稳定存在的新型有限温度拓扑边缘态。最后，在量子人工智能方面，我将介绍一种新的量子机器学习框架—量子自动化学习。在这一框架中，不需要引入任何变分参数，其可训练性是可证明且可解释的。

12 3 4 下一页尾页

第205次：数理科学与人工智能