Nature综述丨当AI开始设计物理实验：从参数调优到“从头发现”，科学范式正在被重新定义

导语：物理实验是人类向宇宙提问的方式。几个世纪以来，实验设计一直由富有创造力的科学家主导。但面对所有可能实验构成的浩瀚空间，人类的直觉和经验是否足以找到最优解？2026年9月发表在《Nature》上的一篇重磅综述给出了一个令人兴奋的答案：AI驱动的实验设计正在从“调参”走向“从头发现”——完全由计算机生成的实验方案，已经在量子物理、等离子体物理、粒子物理、引力波探测等多个领域被成功实现，甚至超越了人类设计的最佳方案。

一、一个根本性的问题：人类直觉足够好吗？

物理学史，本质上是一部实验设计史。从伽利略的斜面实验到LIGO的引力波探测器，每一次重大发现背后，都有一个被精心构思的实验。然而，一个十组件干涉仪的排列组合就超过十亿种可能拓扑，一个三组件超导量子电路就能囊括文献中报道的所有量子比特设计。

人类直觉在如此庞大的空间面前，可能远非最优。

这正是AI驱动实验设计的核心命题：将实验设计形式化为在巨大硬件配置空间中的优化搜索，让算法去探索人类直觉从未触及的角落。

二、四个前沿：AI如何重新定义实验设计

这篇综述将AI驱动的实验设计组织为四个相互衔接的前沿问题，构成了一个完整的探索闭环。

前沿一：如何构建“有表达力”的搜索空间？

搜索空间的设计是全部工作的起点。综述将其分为三步：组件选择、拓扑选择、参数选择。

组件空间定义允许使用哪些“积木”。量子光学中的分束器、反射镜、压缩器，引力波探测器中的激光器、反射镜、光电二极管——组件之间的交互越丰富，越有可能涌现出令人惊讶的设计。

拓扑空间则定义了组件的排列方式，分为四种类型：

拓扑类型

特点

适用场景

固定拓扑

仅优化参数

原理验证、强工程约束

参数化拓扑

通过连续参数改变布局

探测器阵列位置优化

槽位式拓扑

在离散槽位中放置组件

超导量子电路设计

过完备拓扑

从一个高度表达性的模板中“蒸馏”出方案

引力波探测器新概念发现

参数空间进一步决定每个组件的可调参数及其范围。一个有用的检验标准是：搜索空间能否包含所有已知的实验方案？如果连已知方案都无法表示，那么搜索空间可能过于狭窄。

前沿二：如何构建“快而可靠”的物理模拟器？

模拟器是AI探索的“物理引擎”。与需要海量数据的深度学习不同，物理模拟器允许探索从零数据开始——算法可以根据需求主动决定评估哪些实验。

模拟器面临三个核心挑战：

保真度与速度的权衡。算法会系统性地利用模拟器的任何不准确性——产生在仿真中表现优异但在现实中失败的方案。因此，模拟器必须具备足够的物理保真度。

加速策略是应对计算瓶颈的关键。综述总结了四条通用路径：

• 机器学习代理模型：用神经网络逼近模拟器，实现数量级加速。关键在于只关注局部“信任域”，而非覆盖整个搜索空间。

• 自动微分：将模拟器用JAX/PyTorch重写或代码增强，实现梯度的高效精确计算。

• 即时编译与硬件加速：根据运行时数据优化编译，利用GPU/TPU加速。

• 向量化与并行化：将标量函数自动向量化，将工作负载分配到多设备。

这是最容易被低估的环节。目标函数将模拟输出转化为一个标量质量分数，在搜索空间上定义了一个“质量曲面”。

目标函数通常由几类项组成：

• 目标匹配项：测量与期望目标的距离

• 信息最大化项：如Fisher信息、互信息，最大化实验对未知量的信息量

• 可行性项：编码物理、工程或实际约束

• 鲁棒性项：确保实验对制造误差和背景噪声不敏感

当面临多目标权衡时，向量值目标函数定义了一个帕累托前沿——一组互不支配的最优解集。完整探索帕累托前沿，而非将多个目标压缩为加权标量，是充分利用这一方法的关键。

前沿四：如何开发能在离散-连续空间中导航的探索算法？

这是AI真正发挥作用的环节。探索面临三种核心挑战：

连续探索：当拓扑固定或嵌入连续模板时，问题简化为纯连续优化。梯度方法（如Adam）可扩展到数十亿参数，但容易陷入局部最优。无梯度方法（贝叶斯优化、进化算法）更可能找到全局最优，但在高维空间性能下降。实践中常采用多阶段组合策略。

离散探索：当需要在不同拓扑或离散参数集之间切换时，生成模型（学习生成实验方案的符号描述）和强化学习（学习顺序放置组件的策略）成为主力。

离散-连续探索：最一般的情况。两种主流方法——嵌套优化循环（外循环搜索拓扑，内循环连续优化）和混合方法（将离散选择嵌入连续参数空间）——各有优势。扩散模型可以同时对离散组件选择和连续参数进行耦合扩散，实现量子电路设计。

简化是另一项关键挑战。AI设计常常产生过度参数化的方案，需要通过组件剪枝或参数固定来“降维”，使方案可实际制造。

三、典型案例：AI如何设计引力波探测器

综述以引力波探测器设计为例，完整展示了四步流程：

搜索空间：选择Finesse模拟器支持的组件集（激光器、压缩器、分束器、反射镜等），采用完备的矩形网格模板，参数包括激光功率、反射镜反射率、质量和位置。

模拟器：Finesse速度虽快，但不支持高效梯度计算。团队用JAX从头重写为Differometor，匹配Finesse精度，同时实现数量级更快的梯度计算。

目标函数：最大化选定频率范围内的探测器灵敏度，同时对激光功率施加惩罚项。通过sigmoid重参数化将参数映射到[0,1]区间，实现无约束优化。

探索：使用Adam梯度优化，随后进行迭代简化——逐步移除组件，直到质量低于阈值，再从简化方案重启探索。

四、从头发现的愿景：AI生成的实验测试台

综述最具前瞻性的部分，描绘了一幅“从头发现”的终极图景。

基础模拟器：想象一个单一程序，能够模拟跨多个物理领域和尺度的实验。当前各领域的模拟器已能支持新实验设计，但将它们整合为统一的基础模拟器，将使算法能够发现来自完全不同物理领域的效应——例如，电子束物理与引力波干涉测量的融合，可能催生全新的探测器概念。

大规模目标空间：超越单个目标函数，开发包含数百个物理目标的列表。以19世纪科学家质疑动能公式为例——如果他们设计的实验对α和β偏离零特别敏感，就可能在1905年之前瞥见狭义相对论的效应。

实验发现作为AI基准：如果将搜索空间、模拟器和目标函数作为黑盒接口提供，AI社区无需深厚的物理知识，就能将实验设计视为一个极具挑战性和影响力的基准测试。通过AI竞赛（如量热器模拟挑战赛已吸引59个独立提交），可以赋能AI社区贡献于基础物理问题。

五、大语言模型的角色与未来

综述对LLMs在实验设计中的作用持审慎乐观态度。目前，LLMs的影响仍限于少数概念验证。但作者预期这将在前沿模型持续提升数学、编程和物理知识后发生实质性改变：

• 帮助扩展或更好地表征人类定义的搜索空间

• 加速现代自动微分模拟器的开发

• 支持或完全自动化目标函数的制定

• 与其他探索算法结合，建议有前景的起点和值得探索的区域

作者强调：进步将来自经典优化、现代AI方法和前沿LLMs的深度整合，而非任何单一技术。

六、结语：从直觉设计师到智能探索的指挥者

这篇综述传递的核心信息是：实验设计的范式正在发生根本性转变。

人类科学家的角色将从“直觉引导的设计者”演变为“智能自动化探索的指挥者”。当算法发现一个超越人类设计的实验时，这个方案必然包含了人类未曾意识到的新思想、新技巧或新概念。为了避免一个“实验可以被执行但无法被理解”的未来，我们需要强大的工具来提取和理解这些人工智能洞见。

最终，AI设计的实验可能成为基础物理理论的测试台，开启探索宇宙的新方式。

论文信息

标题：Designing physics experiments with artificial intelligence

作者：Jonathan Klimesch, Sören Arlt, Carlos Ruiz-Gonzalez, Carla Rodríguez, Xuemei Gu, Philipp Haslinger, Pietro Vischia, Christian Haack, Yehonathan Drori, Rana Adhikari, Markus Arndt, Michael Kagan, Lukas Heinrich, Mario Krenn

期刊：Nature, Vol. 657, 47–58 (2026)

DOI：10.1038/s41586-026-10217-z

本文由CAAI认知系统与信息处理专委会供稿