美国新墨西哥大学和洛斯阿拉莫斯国家实验室的研究人员日前开发出一套AI框架，成功攻克了物理学领域一个长达百年的复杂计算难题。此次突破为科学家研究材料行为方式带来了全新变革。
该团队运用THOR人工智能技术，通过铜的分子动力学模拟验证了新方法，图中展示了铜在铜矿中的晶体形态。图片来源：新墨西哥大学
据悉，这套名为“高维对象张量网络表征（THOR）AI框架”的系统，能够通过张量网络算法高效压缩和分析庞大的组态积分及偏微分方程，这些方程是判断材料在不同热力学及机械条件下行为的基础。研究团队将张量网络与势能结合（用于表达原子间作用力和运动），实现了在广泛物理环境下对材料的高效、精确模拟。
洛斯阿拉莫斯国家实验室AI高级科学家Boian Alexandrov表示：“组态积分反映了粒子间相互作用，极其复杂且耗时，尤其在高压或相变领域的材料科学应用中最为困难。准确推算热力学行为能加深我们对统计力学的理解，并对冶金等领域具有重要指导意义。”
长期以来，科学家主要依靠分子动力学和蒙特卡洛模拟等近似方法估算组态积分。这些方法通过模拟原子运动来间接应对“维数灾难”，但变量一增多计算量就呈指数级增长，即使最强超算也难以胜任。即使耗费数周时间，传统模拟结果仍有限。
新墨西哥大学化学与生物工程系教授Dimiter Petsev介绍，传统积分方法维度常高达数千，即使用现代计算机，完成一次积分需要超过宇宙寿命。张量网络方法则树立了计算效率与精度的新标杆。
THOR AI利用“张量链交叉插值”方法，将高维数据立方体表达为一系列可连接的小组件，并定制算法识别关键晶体对称性，使组态积分得以在数秒内完成且不降低精度。该方法已应用于铜等金属、高压下的稀有气体（如晶体态氩），以及锡的固-固相变计算。结果显示，THOR AI计算速度比洛斯阿拉莫斯顶级传统模拟快400倍以上，并可与现代机器学习驱动的原子模型无缝集成，对材料科学、物理学和化学领域均有极高适用性。
洛斯阿拉莫斯科学家、论文第一作者Duc Truong表示：“这一突破实现了组态积分的一原理计算，取代了百年来的模拟和近似，为更快的科学发现和更深入的材料理解打开大门。”
据了解，THOR项目已在GitHub平台开放。
编译自/ScitechDaily