人工智能能为物理学做什么？| 科学中的人工智能

由经济合作与发展组织（OECD）推出的《科学中的人工智能：挑战、机遇和未来展望》从AI对科学生产力带来的影响出发，为我们提供了一个全面了解AI在科学研究中应用的窗口，展现了AI技术如何推动科学的创新与进步。该书中文版由中国科学院大学国家前沿科技融合创新研究中心和中国科学院科技战略咨询研究院的人员合作完成翻译。本书不仅汇集了国际专家的研究成果，更为中文读者提供了一个宝贵的资源，填补了这一领域的知识空缺。它不仅涵盖了AI技术在科学研究中的广泛应用，还深入探讨了这一过程中可能出现的伦理、法律和社会问题，为读者提供了一个多维度的认知框架。

该书收集了主要从业者和研究人员的观点，但以非技术语言编写，面向广大读者，包括公众、政策制定者和科学各领域的利益相关者。本文节选《科学中的人工智能：挑战、机遇和未来展望》一书“2 当今科学中的人工智能”中的“2.7 人工智能能为物理学做什么？”以飨读者。

人工智能能为物理学做什么？

萨宾·霍森费尔德，法兰克福高等研究院，德国

part 01

引言

科学中的人工智能

近年来，世界各国政府纷纷推出人工智能研究计划，如澳大利亚、加拿大、美国、中国、丹麦、法国、德国和英国等，区域组织欧盟也推出了其人工智能研究计划。每个国家都突然有了“人工智能制造”战略，无论它们处于地球的哪个区域。未来几十年，数百亿美元、欧元和人民币的公共和私人资金很可能会涌入这一领域。然而，如果问物理学家如何看待人工智能，他们可能会大吃一惊。对他们来说，人工智能是20世纪80年代的潮流。他们更愿意称之为“机器学习”，并为几十年来一直使用这一术语而自豪。本文总结了人工智能物理学家对人工智能的不同应用，主要包括数据分析、建模和模型分析。

part 02

机器学习在物理学中的发展

科学中的人工智能

早在20世纪80年代中期，从事统计力学研究的研究人员就开始着手深入了解机器是如何学习的。统计力学是一个研究大量粒子相互作用的领域。他们发现，磁化无序的磁铁（即所谓的“自旋玻璃”）在物理上实现了机器学习中某些数学规则。这反过来意味着，这些磁体的物理行为揭示了机器学习的某些特性，比如它们的存储能力（Peretto，1984）。当时，物理学家还利用统计力学的技术对算法的学习能力进行了分类。

粒子物理学家也走在了机器学习的前沿。早在1990年就举办了第一届高能物理和核物理人工智能研讨会。该系列研讨会目前仍在举办，但已更名为“高级计算与分析技术”（Advanced Computing and Analysis Techniques，ACAT）研讨会。这可能是因为新的缩写“ACAT”更加朗朗上口。不过，这也说明“人工智能”一词在物理学研究人员中已不再通用。

物理学家之所以避免使用“人工智能”一词，是因为它充满了炒作的味道，而且与自然智能的类比往好里说是肤浅的，往坏里说则是充满误导性的。事实上，目前的人工智能模型在某种程度上是受到了人脑结构的启发或参考。“神经网络”一词指的不是神经元等实际结构，而是基于“神经元”通过“突触”连接的数学表示的算法。利用对其性能的反馈（即“训练”），算法可以“学习”优化可量化的目标，如识别图像或预测数据趋势。

这种迭代学习当然是智能的一个方面，但还远远不够。目前的算法在很大程度上依赖于人类提供的合适的输入数据，它们并不能制定自己的目标。

人工智能模型不能提出理论模型。在物理学家看来，它们只是简单提供了拟合和外推数据的方法。

那么，人工智能能给物理学带来哪些新的变化呢？事实证明有很多方面。这些技术并不新鲜，即使是深度学习（一种有三层或更多层的神经网络），也可以追溯到21世纪初。然而，如今的易用性和强大的计算能力意味着计算机可以完成以前只有人类才能完成的任务。

人工智能的发展也使科学家们能够探索全新的研究方向。直到几年前，其他计算方法的性能还常常优于机器学习，但现在机器学习在许多不同领域都处于领先地位。这就是为什么近年来，人们对机器学习的兴趣似乎已延伸到物理学的各个领域。

人工智能在物理学中的大多数应用大致可分为三大类：数据分析、建模和模型分析。

1

数据分析

数据分析是机器学习最广为人知的应用。神经网络可以被训练来识别特定的规律，也可以让它学会自己寻找新规律。在物理学中，神经网络被用于图像分析，例如天体物理学家搜索引力透镜信号时会使用神经网络技术。当物体周围的时空发生严重变形，以至于来自物体背后的光线发生明显扭曲时，就会发生引力透镜现象。最近成为头条新闻的黑洞图像就是一个极端的例子。不过，大多数引力透镜事件都比较微妙，会造成光的模糊或部分弧线。人工智能可以通过学习来识别它们。

粒子物理学家还利用神经网络来寻找特定和非特定的规律。高能粒子对撞（如在大型强子对撞机上进行的对撞）会产生大量数据。可以训练神经网络来标记有趣的事件。类似的技术已被用于识别某些类型的伽马射线暴（Chen and Ma，2021）。神经网络也可能有助于探测引力波（George and Huerta，2018）。

数据分析不仅仅是回顾和解释已经收集的数据，也可以是一个主动的、预测性的过程。实现聚变功率需要解决将过热的等离子体悬浮在一个强大的磁体环中这一挑战。使用人工智能来分析等离子体的动力学和预测不稳定性，可以帮助控制一个潜在的混沌系统（Degrave et al.，2022）。

2

建模

机器学习通过加速现有的计算速度和启用新类型的计算方式来辅助物理系统建模。例如，即使在目前的超级计算机上，对星系形成的模拟也需要花费很长的时间。然而，神经网络可以从现有的模拟中学习外推，而不需要每次重新运行完整的模拟。该技术被成功用于匹配星系中暗物质的量与可见物质的量（Moster et al.，2021）。神经网络也被用来重建宇宙射线撞击大气的完整过程（Erdmann et al.，2018），或者基本粒子如何分布在复合粒子中（Forte et al.，2002）。

3

模型分析

机器学习被应用于深入理解那些过于复杂的无法通过传统的数学分析方法来完全理解的理论和模型，或者用于加速计算。例如，许多量子粒子的相互作用可以产生多种物相，超出了通常所知的气体、液体、固体和超流体范围。然而，现有的数学方法不足以支持物理学家计算这些物相。神经网络可以对多个量子粒子进行编码，然后对不同类型的行为进行分类。

类似的想法也适用于利用神经网络对材料属性进行分类，比如导电性或可压缩性。原则上，材料的原子结构理论是已知的。然而，为了使理论具有可操作性，计算量是如此庞大，以至于超出了计算能力的范围。机器学习正在开始改变这种状况。很多人希望有一天能让物理学家发现在室温下具有超导性的材料。这项研究的成功将对从医学到计算的各个领域产生重大的实际应用。神经网络应用的另一个富有成果的领域是“量子断层摄影”，即通过执行一系列测量来重建量子态，这是与量子计算高度相关的问题。

机器学习促进了物理学发展，但物理学反过来也可以促进机器学习进步。目前，物理学家还不能很好地理解神经网络为什么能像物理学家一样发挥作用。由于一些神经网络可以表示为物理系统，因此来自物理学的知识可以揭示它们是如何运作的。

part 03

结论

科学中的人工智能

人工智能在物理学中的运用并不是新鲜事物。然而，今天的易用性、技术进步和巨大的计算能力意味着机器学习可以让物理学家突然解决许多以前难以解决的问题。这对物理学的未来意味着什么？我们是否将看到克里斯·安德森在其备受关注的论文中所预言的“理论的终结”（Anderson，2008）？

我们不太可能看到这一局面。神经网络有许多不同的类型，它们的结构和学习方案各不相同。物理学家必须了解哪种算法适用于何种情境，以及它们的表现如何，这与他们在理论方面的研究过程相似。机器学习不会取代理论，而是会将其推向一个新的高度。

参考文献（略）

本文节选自《科学中的人工智能 : 挑战、机遇和未来展望》（法国OECD著 ; 陈凯华等译.北京 : 科学出版社, 2024. 8）一书“2 当今科学中的人工智能”。

ISBN 978-7-03-079237-2

责任编辑：王丹妮　陶　璇

本书不仅梳理了人工智能技术在科学各领域中的广泛应用，还深入分析了其对科学生产力的推动作用，以及在伦理、法律和社会层面可能引发的讨论和问题。书中汇集了国际专家的研究成果，为读者提供了一个全面了解人工智能在科学研究中应用的窗口，展现了人工智能技术如何推动科学的创新与进步，并对未来的研究方向提出了深刻的见解。

本书适合对人工智能及其在科学研究中的应用感兴趣的广大读者，包括科研人员、政策制定者、教育工作者以及对人工智能充满热情的公众。无论是希望了解人工智能如何改变传统科研模式的学者，还是关心科技进步对社会产生深远影响的决策者，或是渴望在教育领域应用人工智能技术的教育者，都能从本书中获得宝贵的信息和启发。对于公众而言，本书也是一扇了解人工智能最新发展及其科学应用的窗口，有助于提升对这一跨学科领域的认知和理解。

（本文编辑：刘四旦）

一起阅读科学!

科学出版社│微信ID：sciencepress-cspm

专业品质 学术价值

原创好读 科学品位

科学出版社视频号

硬核有料 视听科学